يك پروتكل MAC آگاه از كيفيت تجربه كاربر مبتني بر استاندارد IEEE 802.11e

A QoE-Aware MAC Protocol Based on IEEE802.11e

با توسعه استاندارد IEEE 802.11 كه منجر به تبيين استاندارد IEEE 802.11e گرديد؛ قابليت تامين كيفيت خدمات در شبكه هاي بي سيم ميسر شد؛ اما اين استاندارد داراي اشكالات عمده اي از قبيل عدم توجه به كيفيت تجربه كاربر (QoE) در ترافيك بلادرنگ است كه باعث شده تا از منابع راديويي موجود به صورت بهينه استفاده نگردد. يكسان بودن پنجره رقابت و حداكثر فرصت ارسال فريم براي تمام كاربران يك كلاس سرويس به معني عدم توجه به آستانه رضايت كاربران از منابع تخصيص يافته است كه مي تواند باعث كاهش بهره وري منابع شود؛ چراكه رضايت برخي كاربران با تخصيص منابع كم تر هم برآورده مي شود. هدف اين مقاله ارائه مكانيسمي براي آگاه كردن IEEE 802.11e از كيفيت تجربه كاربر و در نتيجه تخصيص متناسب منابع از طريق تنظيم آستانه هاي پنجره رقابت و حداكثر فرصت ارسال فريم است. در اين مقاله از الگوريتم يادگيري تقويتي چندعامله WolF-PHC به منظور تنظيم بهينه آستانه پنجره رقابت و حداكثر فرصت ارسال فريم بر اساس بازخورد QoE كاربران استفاده شده است كه از تخمين تعداد گره هاي فعال همسايه براي تشخيص وضعيت فعلي شبكه، بهره مي برد. بررسي و مقايسه نتايج حاصل از شبيه سازي حاكي از افزايش تعداد كاربران راضي از شبكه در مقايسه با روش استاندارد و روش پيشين مي باشد.

IEEE 802.11e standard that is an extension to IEEE 802.11 leads to Quality of Service (QoS) support in wireless networks. However, this standard does not take Quality of Experience (QoE) in to account for real-time traffic. QoE is used to provide an optimal use of available radio resources in the network, because the satisfaction of some users can be met by the allocation of less resource. Same Contention Window (CW) and Transmission Opportunity (TXOP) for all the users in a service class means paying no attention to the user’s satisfaction and this can waste network resources. This research proposes a mechanism to consider user’s QoE in the resource allocation process of the IEEE 802.11e protocol. This is done by setting the amount of CW and TXOP with the help of the users' feedback of their level of received service satisfaction. WoLF-PHC Multi-agent reinforcement learning algorithm is used to optimally set the contention window and TXOP, based on the users' QoE feedback. Simulations results show that the proposed method improves the satisfaction level of the increasing number of network users compared to the standard methods