Opportunistic Wi-Fi network selection in heterogeneous vehicular wireless networks for detecting VRUs through edge computing

Abstract

The future of vehicles is for them to become smarter: able to perceive the its surroundings, detect dangerous situations, and act accordingly. To realize this vision, vehicles must collect information and share it with others, allowing them to have shared knowledge of an event that their sensors could not yet detect. However, some vehicles may not have enough computational resources to process the information and comply with low-delay requirements, and may need to offload the data to edge computing platforms to extend their own processing capabilities. While offloading, a vehicle may have multiple access networks at their disposal and by choosing the best network it may maximize the amount of data it can offload. These access networks include the mobile 5G network and Wi-Fi access points, which the operator can integrate within the 5G system to take advantage of unlicensed spectrum in the 2.4, 5 and 60 GHz ranges. In the current work, we focused on leveraging Wi-Fi and allowing vehicles to decide which access network to use among three Wi-Fi 802.11n/ac/ad networks. We developed a Wi-Fi performance monitoring and decision-making system (WiPerf) that can: (i) collect throughput measurements and channel state information for multiple Wi-Fi networks; (ii) estimate throughput using passive measurements; (iii) predict the next 40 seconds of throughput; (iv) decide which network to use, based on the throughput forecasts and on the time it takes to switch to another network. The system was implemented in a real-world setup with two vehicles and two TP-Link Talon AD7200 access points. We performed an initial set of experiments to collect a dataset to develop estimation and forecasting models, and a second set of experiments to validate our decision-making system. For throughput estimation, we developed the UKF-SR model, a novel approach that combines Symbolic Re gression with a non-linear recursive Bayes filter. Results showed that our solution was superior to NN, DT, and RF models, with these having higher RMSE values by at least 4.94 %, 38.09 %, and 9.59 % for 802.11n/ac/ad, respectively. Considering forecasting, we adapted previously developed spatial-clustering models, that forecast throughput based on a set of similar historic samples, and compared them with a time-series approach, us ing ARIMA and VAR models. VAR showed the best results among the time-series models, but they were still outclassed by spatial-clustering, considering both MAE and MASE values. We integrated the estimation and forecasting models with a decision-making algorithm. The algorithm sched ules which networks the vehicle should use considering the time if takes to switch networks, to maximize the amount of data it can offload. Compared with the optimal solution, based on the real throughput measurements and without forecasting (perfect prediction), the results show that our approach has near-optimal performance with an average throughput of only 4.43 % less than the optimal one.

O futuro dos veículos passa por torná-los inteligentes: capazes de analisar o meio envolvente, detetar situações de perigo e agir de forma adequada. Para concretizar esta visão, os veículos devem recolher informação e partilhá-la com os restantes, permitindo que todos tenham conhecimento partilhado de um evento que os seus sensores ainda não detetaram. No entanto, alguns veículos podem não dispor de recursos computacionais suficientes para processar a informação e cumprir com os requisitos de baixos atrasos, tendo como alternativa o envio de dados para plataformas de computação de borda, ampliando as suas capacidades de processamento. Durante a transmissão, um veículo pode ter várias redes de acesso disponíveis e através da escolha da melhor rede pode maximizar a quantidade de dados que pode transmitir. Estas redes de acesso incluem a rede 5G e pontos de acesso Wi-Fi, que a operadora pode integrar no sistema 5G para tirar proveito de espectro não licenciado nas gamas dos 2.4, 5 e 60 GHz. No presente trabalho, focamo-nos em utilizar Wi-Fi e permitir aos veículos escolherem qual a melhor rede a utilizar entre três redes Wi-Fi 802.11n/ac/ad. Desenvolvemos um sistema de monitorização e tomada de decisão para redes Wi-Fi (WiPerf) capaz de: (i) medir a taxa de transmissão e recolher informação do estado do canal para várias redes Wi-Fi; (ii) estimar a taxa de transmissão com base em medições passivas; (iii) prever a taxa de transmissão para os próximos 40 segundos; (iv) decidir qual a rede a utilizar, com base na previsão da taxa de transmissão e no tempo que demora a trocar de rede. O sistema foi implementado num cenário real, com dois veículos e dois pontos de acesso TP-Link Talon AD7200. Realizamos um primeiro conjunto de experiências para recolher dados para desenvolver os modelos de estimação e previsão, e um segundo para validar o sistema de tomada de decisão. Para estimar a taxa de transmissão, desenvolvemos o modelo UKF-SR, uma nova abordagem que junta Regressão Simbólica com filtros Bayesianos recursivos e não-lineares. Os resultados mostram que a nossa solução teve um melhor desempenho do que os modelos NN, DT e RF, sendo que estes apresentam valores de RMSE superiores, de pelo menos 4.94 %, 38.09 % e 9.59 % para 802.11n/ac/ad, respetivamente. Para a previsão adaptamos modelos de clustering espacial, que preveem a taxa de transmissão com base num conjunto de amostras históricas, com uma abordagem baseada em séries temporais, usando modelos ARIMA e VAR. Os modelos VAR tiveram os melhores resultados dentro dos modelos de séries temporais, mas foram superados pelos modelos de clustering espacial tendo em conta as métricas MAE e MASE. Integramos os modelos de estimação e previsão juntamente com um algoritmo de tomada de decisão. O algoritmo planeia quais as redes que o veículo deve utilizar considerando o tempo associado a trocar de rede, para maximizar a quantidade de dados que poderá transmitir. Comparativamente com a solução ótima, baseada nas medições reais da taxa de transmissão e sem previsão (previsão perfeita), os resultados mostram que a nossa abordagem tem um desempenho quase-ótimo, atingindo uma taxa de transmissão média de apenas menos 4.43 % do que a ideal.