Data Driven Networking - Modelling of interference probability using unsupervised learning methods
Author
Hansen, Asmus Bjerregaard
Term
4. term
Education
Publication year
2020
Submitted on
2020-07-04
Pages
83
Abstract
Denne afhandling præsenterer en praktisk metode til at bestemme parametre i en model, der beskriver sandsynligheden for interferens i en trådløs kanal, baseret på ALOHA-modellen (en enkel adgangsmodel, hvor enheder sender på tilfældige tidspunkter). Vi foreslår en algoritme, der tager udgangspunkt i en optagelse af radiotrafik: den omdanner signalet til et spektrogram (et tids‑frekvensbillede), segmenterer det for at isolere enkelttransmissioner, måler deres parametre (fx tidspunkt, varighed, frekvens og effekt) og grupperer lignende transmissioner for at finde de dominerende interferenskilder. Med simulerede data vurderer vi fejl i parameterestimatet ved forskellige grader af belastning i kanalen. Ved 2% belastning finder algoritmen 92,41% af interfererende transmissioner ved −60 dBm/Hz, 57,57% ved −75 dBm/Hz og 15,31% ved −90 dBm/Hz. Andelen af fundne mellem- og lav-effekt transmissioner afhænger af kanalens belastning. Til sidst viser en test på virkelige optagelser, hvor meget interferens algoritmen kan udtrække.
This thesis presents a practical way to estimate the parameters of a model that predicts the probability of interference in a wireless channel, based on the ALOHA model (a simple random-access scheme where devices transmit at random times). We propose an algorithm that uses a recording of radio activity: it converts the signal into a spectrogram (a time–frequency picture), segments it to isolate individual transmissions, measures their parameters (such as time, duration, frequency, and power), and clusters similar transmissions to identify the dominant interference sources. Using simulated data, we assess parameter estimation errors under different levels of channel congestion. For a 2% congestion scenario, the algorithm detects 92.41% of interfering transmissions at −60 dBm/Hz, 57.57% at −75 dBm/Hz, and 15.31% at −90 dBm/Hz. The share of medium- and low-power transmissions found depends on the channel’s congestion. Finally, a test on real-world recordings quantifies how much interference the algorithm can extract.
[This abstract was generated with the help of AI]
Keywords
Documents