基于卷积神经网络的高速无线局域网分组丢失和错误原因识别方法

摘要

无线网络中分组丢失和错误是由信道错误和冲突所导致的。有效识别分组丢失和错误的原因是实现高性能IEEE 802.11n协议的基础。本文主要研究分组丢失和错误原因的识别方法,提高识别原因的准确率,降低识别开销。本文基于监督学习理论提出MPLEC,它是一种轻量级的、准确的分组丢失和错误识别分类方法。MPLEC通过大量实地场景统计实验对分组接收情况进行分析,提取链路层RSSI(Received Signal Strength Indication)、CSI(Channel State Information)组成的特征向量作为监督学习模型的输入。通过监督学习方法对多类MPLEC分类模型进行离线训练和检验,结果表明MPLEC获得至少87%的准确率。最后基于MPLEC的CSMA/CA协议验证了MPLEC的识别性能。实验结果表明,与原有退避算法相比,本文方法可以将重传成功的概率提高25%,时间利用率提高7.8%。