Wi‑Fi и машинное обучение: обзор методов повышения производительности IEEE 802.11 с помощью машинного обучения

Беспроводные локальные сети (WLAN), основанные на стандарте IEEE 802.11 (Wi‑Fi), занимают доминирующее положение в обеспечении доступа к Интернету благодаря гибкости их развертывания и конфигурирования, а также наличию доступных и высокоинтероперабельных устройств. В настоящее время сообщество Wi‑Fi осуществляет внедрение стандарта Wi‑Fi 6 и разрабатывает Wi‑Fi 7, которые обеспечат более высокие скорости передачи данных, улучшенную поддержку множества пользователей и множества точек доступа (AP), а также, что наиболее важно, повышенную гибкость конфигурирования. Эти технические инновации, включая множество параметров конфигурации, делают беспроводные локальные сети следующего поколения чрезвычайно сложными, поскольку зависимости между параметрами и их совместная оптимизация обычно оказывают нелинейное влияние на производительность сети. Сложность дополнительно возрастает при плотном развертывании сетей и сосуществовании в общих диапазонах частот. В то время как классические подходы к оптимизации не справляются с такими условиями, машинное обучение (ML) позволяет работать со сложностью. Опубликовано множество исследований, посвященных применению ML для повышения производительности Wi‑Fi, и соответствующие решения постепенно внедряются в уже развернутые сети. В данном обзоре мы используем структурированный подход для описания различных областей Wi‑Fi, в которых применяется ML. Для этого мы анализируем более 250 научных работ по данной тематике, предоставляя читателям обзор основных тенденций. На основе этого анализа мы выявляем конкретные нерешенные задачи и формулируем общие направления дальнейших исследований.