Escolar Documentos
Profissional Documentos
Cultura Documentos
22, Nº 3
DOI: 10.53660/CLM-254-259
ISSN: 1414-7327
RESUMO
Este trabalho tem como objetivo desenvolver um método de predição de perda de propagação empírico
para redes sem fio do padrão 802.11ac em ambientes indoors, baseado em campanhas de medições. Para
tanto, foi utilizada uma técnica de inteligência computacional, denominada Redes Neurais Artificiais
(RNA), que realiza um processo de regressão nos dados medidos para estabelecer a relação entre os
parâmetros de entrada (distância e número de paredes atravessadas) com os parâmetros de saída
(intensidade do sinal), sendo esta saída convertida em perda de propagação. A fim de avaliar o desempenho
do método proposto, é feita uma análise entre os dados medidos e os preditos, calculando a acurácia do
método (através da raiz do erro médio quadratico) e a precisão (através do desvio padrão do erro),
respectivamente 2,17dB e 2,24dB, e, ainda, compará-lo com os modelos de predição indoor clássicos da
literatura. Visando auxiliar futuros planejamentos de redes sem fio indoor, foi implementado o método de
otimização bioinspirado Particle Swarm Optimization (PSO) de forma multiobjetiva, com a finalidade de
estabelecer o número de transmissores necessários para cobrir determinada área a ser atendida com o sinal
sem fio, bem como definir os melhores posicionamentos dos transmissores nos ambientes.
Palavras-chave: RNA; Otimização; Predição; Perda de propagação; PSO;
ABSTRACT
This work aims to develop an empirical propagation loss prediction method for 802.11ac wireless networks
in indoor environments based on measurement campaigns. For this purpose, a computational intelligence
technique called Artificial Neural Networks (ANN) was used, which performs a regression process on the
measured data to establish the relationship between the input parameters (distance and number of walls
crossed) with the output parameters (signal strength), this output is converted into propagation loss to
evaluate the performance of the proposed method. An analysis is made between the measured and predicted
data, calculating the accuracy of the process (RMSE) and the precision (standard deviation of error),
respectively 2.17dB and 2 .24dB, and comparing it with the classical indoor prediction models in the
literature. Aiming to help future planning of indoor wireless networks, the bioinspired Particle Swarm
Optimization (PSO) method was implemented in a multi-objective way to establish the number of
transmitters needed to cover a given area to be served with the wireless signal, as well as define the best
positioning of the transmitters in the environments.
Keywords: RNA; Optimization; Prediction; Propagation loss; PSO;
1
Universidade Federal do Pará (UFPA).
*E-mail: hugo.oliveira@itec.ufpa.br
P á g i n a | 133
INTRODUÇÃO
A cada dia que passa, o ser humano está mais conectado à rede mundial de computadores,
utilizando-a em qualquer hora ou local para desenvolver suas atividades recreativas, sociais e/ou
profissionais. Com isso, nota-se, nos últimos anos, o aumento do uso de dispositivos em redes
sem fio (CISCO, 2022).
Assim, faz-se necessário realizar estudos relevantes para a evolução das redes sem fio,
bem como para o seu planejamento. Para tanto, é necessário considerar os fatores atenuantes, que
afetam a propagação da onda eletromagnética em determinados ambientes, para que seja possível
estimar a área de cobertura do sinal, de modo que cada usuário em uma área especifica tenha um
nível de sinal satisfatório para desempenhar suas atividades cotidianas.
Além disso, a área de pesquisa no campo da propagação é bem difundida. Já foram
desenvolvidos vários trabalhos nas últimas décadas, que proporcionaram diversos avanços
tecnológicos na transmissão e recepção de ondas eletromagnéticas, tendo, como um dos principais
objetivos, estimar a perda de propagação.
Há, basicamente, dois tipos de modelagem muito exploradas: a determinística, que tenta
descrever os fenômenos físicos da propagação das ondas eletromagnéticas (reflexão, refração,
difração, multipercursos etc.), que influenciam no desvanecimento do sinal, como em Silva
(2018) e Batalha (2018) através de formulações matemáticas; e a modelagem empírica, baseada
em campanhas de medições, que descrevem o sinal por meio de um estudo estático, estabelecendo
o comportamento médio do sinal em um determinado ambiente, conforme Ayadi (2017), que
utilizou a técnica de regressão Minimum Mean Square Error (MMSE) para modelar o canal na
frequência de 5.2 GHz e, assim, estimar o valor de perda de propagação, ou em Casella (2016),
que utiliza Redes Neurais Artificias (RNA) do tipo Perceptron de Multicamadas (PMC) e Funções
de Base Radial (RBF), configuradas como aproximadores universais, para estimar a potência
recebida do sinal de televisão na faixa de frequência de 207 a 749 MHz para ambiente outdoor.
Em Najnudel (2004), foi desenvolvido um modelo de perda de propagação para a faixa de
frequência Ultra High Frequency (UHF), multi-banda, multi-ambiente, para curtas e longas
distâncias, baseado em medições realizadas na Tunísia, no qual foi empregado aprendizado de
máquina utilizando a técnica RNA para realizar a predição da perda de propagação.
Atualmente, há vários padrões Wi-Fi (Wireless-Fidelity) coexistindo, cada qual com a
sua especificidade, basicamente um sendo a evolução do seu antecessor. Nesta pesquisa,
abordaremos o padrão IEEE 802.11ac, devido ao fato deste já ser um padrão comercialmente
popular, apontado como padrão que será mais disseminado nos próximos anos, segundo as
previsões da Cisco (ITU, 2018), por possibilitar uma largura de banda maior que os padrões
antecessores, sendo, então, capaz de suportar um maior fluxo de dados.
P á g i n a | 134
O objetivo deste estudo é prever a perda de propagação do sinal em redes Wi-Fi do padrão
802.11ac em ambientes indoors, por meio da utilização de uma técnica de inteligência
computacional chamada Redes Neurais Artificiais (RNA), além de estabelecer o número de
transmissores necessários para cobrir determinada área a ser atendida com o sinal sem fio, bem
como definir os melhores posicionamentos dos transmissores nos ambientes, utilizando a técnica
bio-inspirada PSO de forma multiobjetiva, visando auxiliar futuros planejamentos de redes sem
fio indoor.
Dessa forma, foi feita a análise do sinal, através de uma abordagem empírica, na qual
foram realizadas medições do nível de intensidade do sinal em diferentes pontos do ambiente,
considerando alguns fatores que influenciam na perda de propagação do sinal (distância e número
de parede), bem como uma comparação com os modelos de predição de perda de propagação para
ambientes indoors.
MODELOS DE PROPAGAÇÃO
Sendo:
𝐿: perda em dB;
𝑛: coeficiente de atenuação com a distância;
𝑑: distância em metros;
𝑓: frequência;
𝑙𝑚: coefciente de atenuação por paredes;
𝑛𝑝: número de paredes atravessadas.
até 5.8 Ghz, além de ser do tipo site-specifc, no qual há a necessidade de especificar características
do cenário estudado, números de paredes e tipo do mateial das paredes e/ou andares. Como em
Najnudel (2004) e Rodrigues (2011).
𝐿 = 𝐿0 + 10𝑛 𝑙𝑜𝑔10 (𝑑) + ∑𝐼𝑖=1 𝐾𝑓,𝑖 𝐿𝑓,𝑖 + ∑𝐽𝑗=1 𝐾𝑤,𝑗 𝐿𝑤,𝑗 (2)
Sendo:
𝐿0: perda de propagação a um metro da antena irradiante (dB);
d: distância percorrida pelo sinal (m);
n: coeficiente de propagação;
𝐿𝑓,i: perda de propagação do sinal através do piso (dB);
𝐾𝑓,i: número de pisos com a mesma característica;
𝐿,: perda de propagação do sinal através da parede j(dB);
𝐾,: número de paredes com a mesma característica;
I: número de pisos atravessados pelo sinal;
J: número de paredes atravessadas pelo sinal.
CAMPANHA DE MEDIÇÕES
B. Equipamentos e Configurações
Foram utilizados os seguintes equipamentos: um transmissor, um receptor USB, como
pode ser visto na Erro! Fonte de referência não encontrada., além de um notebook. Na Tabela
1, são descritas as configurações dos dispositivos utilizados:
Figura 2 - Dispositivos utilizados na campanha de medições.
METODOLOGIA
A partir desse conjunto de dados, foram gerados os pesos que melhor representam o
problema estudado. É possível observar os gráficos referentes à regressão linear realizada entre
as saídas e os targets na Erro! Fonte de referência não encontrada.5, na qual a linha tracejada
preta significa o melhor coeficiente de correlação linear entre saídas e os targets. Os valores de R
são uma indicação da relação entre as saídas e os targets. Se R = 1, isso indica que existe uma
relação linear exata entre saídas e targets. Se R for próximo de zero, não existe uma relação linear
entre saídas e alvos.
P á g i n a | 140
Figura 5 - Regressão dos dados gerados pela RNA e seus respectivos targets.
Logo, estando a RNA treinada e o erro em um nível satisfatório e com uma boa
capacidade de generalização, ela poderá ser utilizada como uma ferramenta de predição.
B. Método de Predição de Perda de Propagação indoor
Assim, tendo os valores de potência recebida preditos pela RNA, foi utilizada a fórmula
do balanceamento de Link da equação (3) para se obter a perda de propagação. Essa fórmula
abrange todos os ganhos e perdas do transmissor e receptor em um sistema de telecomunicações.
Com isso, foi possível trabalhar com a perda de propagação e comparar com os modelos
clássicos da literatura.
C. Descrição e Implementação do Particle Swarm Optimization (PSO)
O PSO foi desenvolvido por Eberhart (1995). É uma técnica de otimização baseada no
enxame de partículas e inspirada na inteligência coletiva dos animais, fundamentada no
comportamento social dos indivíduos.
Esse comportamento apresenta, inicialmente, uma busca de forma aleatória e desordenada,
mas se percebe uma organização ao longo do tempo e um padrão de busca é apresentado. No
momento da localização do objetivo, todos os indivíduos se dirigem para a localização desse,
onde os indivíduos podem ser considerados como partículas em um espaço de busca
multidimensional.
Essa técnica tem como principal atuador a atualização das velocidades das partículas ao
longo do tempo, gerando a modificação do posicionamento destas com o intuito de varrer o espaço
de busca para encontrar a melhor solução.
O PSO implementado neste trabalho é multiobjetivo e possui como alvo duas funções
objetivos (Obj1 e Obj2): a primeira busca maximizar a área de cobertura do sinal, garantindo que
a perda de propagação no ambiente específico exibido na fig. 1 não seja maior que limiar de 75
dB e a segunda estabelece o menor números de transmissores para isso.
O limiar de 75dB foi definido de forma a garantir a máxima taxa de transmissão
(433Mbps), a qual é necessária para aplicações que exijam baixa latência e que demandam alta
largura de banda. Como por exmelpo: streamings de vídeos e jogos, vídeo chamadas.
A equação (4) descreve o cálculo do percentual de cobertura (Obj1) levando em
consideração o Índice de Cobertura (Ic) e o Tamanho total da cobertura Tc.
𝐼𝑐
𝑂𝑏𝑗1 = ∗ 100 (4)
𝑇𝑐
Logo, as equações (6) e (7) são utilizadas para definir a frente de Pareto, a qual representa
o cálculo do Obj1 e Obj2 para definição da melhor solução. Sendo W o valor médio da solução
de N Paretos, para i iterações e 𝑍 é a equação final da função multiobjetivo.
𝑖
𝑊= (6)
𝑁
É válido reforçar que função objetivo exibida na equação (7) busca minimizar o número
de radio transmissores, e maximizar a área coberta, com uma frente de Pareto variando de 1 a 10.
À medida que a frente de Pareto aumenta, é priorizada a cobertura em detrimento da minimização
do número de rádios transmissores, isto é, quanto maior o valor 𝑊, mais rádios serão utilizados
para aumentar a área de cobertura. Por outro lado, valores menores de 𝑊 resultam em menos
rádios, isto é, reduzindo custos de implantação, mas sem garantir a máxima cobertura possível.
A seguir, serão descritas as etapas para a implementação do PSO e os parâmetros
utilizados no desenvolvimento do trabalho:
1. Determine o número de partículas (𝑝) da população.
• 500 partículas.
2. Inicialize aleatoriamente a posição inicial (𝑥) de cada partícula da população.
• As posições iniciais foram geradas a partir das coordenadas do ambiente, com valores
de x e y aleatórios variando de 0 a 33 e de 0 a 12, respectivamente.
3. Atribua uma velocidade inicial (v) igual para todas as partículas.
4. Para cada partícula da população, calcule:
a. A aptidão.
b. A melhor posição da partícula até o momento (pbest).
5. Descubra a partícula com a melhor aptidão de toda a população (gbest).
6. Para cada partícula, atualize:
a. A velocidade da partícula.
• Ponderação de inercia (W) = 1.
• Parâmetro Cognitivo(C1) = 2.
• Parâmetro Social (C2) = 2.
• Valores randômicos r1 e r2.
b. A posição da partícula.
RESULTADOS E DISCUSSÃO
∑𝑛 (𝑉𝑚𝑖 − 𝑉𝑝𝑖 )2
𝑅𝑀𝑆𝐸 = √ 𝑖=1 (10)
𝑛
Sendo:
• n = Número de amostra;
• Vp= Valor Predito;
• Vm= Valor Medido.
∑𝑛 (𝑉𝑖 − 𝜇)2
𝜎 = √ 𝑖=1
𝑛
(11)
Sendo:
• V = uma variável aleatória de um conjunto de dados finito;
• 𝜇 = a média de V;
• n = Número de amostras.
Assim, foi possível comparar os valores dos dados referentes à perda de propagação, que
foram obtidos através das medições, com os valores predito pela Rede Neural Artificial, exibido
P á g i n a | 144
na Erro! Fonte de referência não encontrada. 6. O RMSE entre os dados medidos e os preditos
é de 1.99 dB, e o desvio padrão de 2.05 dB.
A Erro! Fonte de referência não encontrada. 6 proporciona uma análise mais
aprofundada dos fatores que impactam na cobertura do sinal propagado. Portanto, cada
combinação de distância e número de paredes tem uma perda de propagação associada, que está
ligada ao tipo de modulação e, consequentemente, à taxa de transmissão estabelecida pelo padrão
802.11ac, que influenciam na qualidade de experiência do usuário.
Figura 6 - Análise da perda de propagação, entre os dados medidos e os preditos pela RNA.
Com a RNA treinada e testada, foi possível traçar a perda de propagação para cada
número de parede e distância com até 16 metros para demonstrar o comportamento do método
proposto de predição baseado em RNA, como é exibido na Figura 7.
P á g i n a | 145
Figura 8 - Comparação entre o método RNA e o modelo Batalha para predição de perda de
propagação.
A Tabela 4 mostra a perda de propagação média por parede atravessada, ou seja, o quanto
o sinal é degradado ao atravessar uma ou mais paredes, além de comparar os valores médios das
perdas de propagação entre os dados medidos e dos modelos.
com o sinal sem fio, bem como definir os melhores posicionamentos dos transmissores nos
ambientes.
A Figura 9 mostra as melhores soluções geradas para frente de Pareto 5 a mais equilibrada
entre todas, dando o mesmo peso tanto para o objetivo 1 quanto para 2, sendo exibido no eixo x
o objetivo 1, valores da área de cobertura do sinal em porcentagem, no eixo y o objetivo2, como
números de transmissores, a fim de garantir um sinal forte, ou seja, pouco degrado, com até 75
dB de perda de propagação em todo o ambiente.
CONCLUSÃO
transmissores para cobrir totalmente o ambiente estudado, com um sinal com um valor de perda
de propagação de até 75dB.
Para trabalhos futuros, pretende-se tornar o método mais geral, mediante uma nova campanha
de medição que contemple os mais diversos tipos de ambientes indoors e diferentes faixas de
frequência.
AGRADECIMENTOS
REFERÊNCIAS
AYADI, M.; BEN ZINEB, A; Tabbane, S. A UHF Path Loss Model Using Learning
Machine for Heterogeneous Networks, IEEE Transactions on Antennas and
Propagation, v. 65, n. 7, p. 3675-3683, jul. 2017.
EBERHART, R.; KENNEDY, J. A new optimizer using particle swarm theory, IEEE
Micro Machine and Human Science, p. 39-43, 1995.
HAYKIN, Simon. Neural networks: a comprehensive foundation. 2. ed. Upper Saddle
River, New Jersey: Pearson Prentice Hall, 1999.
Relatório de tendências globais de rede para 2022. Cisco, 2022. Disponivel em:
https://www.cisco.com/c/dam/global/pt_br/solutions/enterprise-networks/nb-06-2022-
networking-report-cte.pdf. Acesso em: 16 fevereiro de 2022.