REPOZITORIJ > REZULTATI

Povzetek

Zaradi narave brezžičnega prenosnega medija je za brezžične komunikacije značilna večja
verjetnost izgube podatkovnih paketov kot pri žičnih komunikacijah. Kakovost brezžičnih
povezav je močno odvisna od spreminjajočih razmer na kanalu, medsebojnih motenj in tudi
pomanjkljivosti primopredajnika. Nezanesljivost brezžičnih povezav je spodbudila razvoj
številnih tehnik, ki lahko kljubujejo takšnim pogojem s prilagajanjem parametrov brezžične
povezave za doseganje večje zanesljivosti ali z izbiro nadomestne brezžične povezave za
prenos podatkov. Skupno tem tehnikam je, da potrebujejo učinkovito oceno kakovosti
brezžične povezave.
Analitični pristop, ki se je sprva uporabljal za ocenjevanje kakovosti povezav, sta kmalu
dopolnila in nadomestila statistični, v zadnjem času pa vse bolj tudi pristop s strojnim učenjem.
Slednja sta zasnovana na empiričnih meritvah, zato govorimo o podatkovno zasnovanih
modelih. Statistični pristop temelji na ujemanju modela s statistično porazdelitvijo
določene lastnosti ali vedenja. Modeli strojnega učenja prevedejo ocenjevanje kakovosti
brezžične povezave na problem klasifikacije. Takšni modeli lahko upoštevajo vrsto pojavov
na povezavah, zaradi česar so primerni za realne brezžične povezave, ki izkazujejo
dinamično vedenje in so pogosto podvržene različnim prehodnim pojavom. Spremljanje
kakovosti brezžične povezave je pomembno tudi z vidika zgodnjega odkrivanja anomalij,
zlasti v obsežnih industrijskih ali komercialnih sistemih. Samodejno odkrivanje napak,
ki jih povzročijo programska ali strojna oprema ter okoljski dejavniki, lahko pomembno
prispeva k zmanjšanju neželenih izpadov delovanja in posledično finančnih izgub.
V tej disertaciji se ukvarjamo z razvrščanjem brezžičnih povezav z uporabo tehnik strojnega
učenja v podporo učinkovitemu ocenjevanju kakovosti povezav in odkrivanju anomalij.
Glavni poudarek je na izzivih načrtovanja klasifikatorjev brezžičnih povezav, ki temeljijo na
tehnikah strojnega učenja. V prvem delu disertacije se osredotočamo na učinkovito ocenjevanje
kakovosti brezžične povezave. Izvedli smo poglobljeno kvantitativno študijo o vplivih
posameznih korakov inženiringa značilk in podatkov ter finega nastavljanja algoritmov na
uspešnost ocenjevanja brezžičnih povezav. Posebno pozornost namenjamo izboljšanju zaznavanja
manjšinskih razredov, tj. manj pogostim vzorcem podatkov iz nabora meritev
na brezžičnih povezavah. Za oceno kakovosti povezav predlagamo tudi nov nadzorovani
razvrščevalnik, ki s pomočjo optimalne izbire značilk izboljša zaznavanje manjšinskega razreda
za več kot 40 %, z uporabo strategij ponovnega vzorčenja podatkov pa za več kot
20 %, ne da bi se s tem poslabšalo zaznavanje ostalih razredov.
Drugi del disertacije se osredotoča na odkrivanje anomalij v brezžičnih povezavah. Tu
opredelimo štiri osnovne vrste anomalij, ki se pojavljajo na brezžičnih povezavah, opišemo
njihove značilnosti in verjetne vzroke. S sistematičnim kvantitativnim pristopom raziskujemo
delovanje dveh pragovnih pristopov ter po treh nadzorovanih in nenadzorovanih
referenčnih algoritmov strojnega učenja. Pokažemo, da so nadzorovani algoritmi uspešnejši
pri odkrivanju anomalij, da pa se jim nekateri nenadzorovani pristopi v povezavi s samokodirnikom
s področja globokega učenja zelo približajo, pri čemer ne potrebujejo zahtevnega
in časovno potratnega označevanja podatkov, kar lahko predstavlja pomembno prednost.