这表明了站点的机动性对所获得性能的影响。
发表在《计算机通信》杂志高级网络版上的一篇文章表明，机器学习可以提高5G/6G生态系统未来Wi-Fi网络的运行和性能。这项研究是由UPF信息和通信技术部门(DTIC)无线网络研究小组的研究人员Marc Carrascosa和Boris Bellalta进行的。
作者将研究重点放在如何改善由多个接入点组成的Wi-Fi网络用户之间的关联，以便能够为大量用户提供服务。这种类型的Wi-Fi网络在商业和学术环境或城市的公共空间(街道、公园、图书馆等)中很常见。
Carrascosa和Bellalta解释说:“在这项研究中，我们观察了工作站(pc、平板电脑、移动电话等)如何动态地决定他们覆盖区域内可用的不同接入点中，使用强化学习技术为他们的需求提供最好的服务。”
每个站点动态地做出决策
在他们的建议中，每个基站都是独立的，并根据Wi-Fi网络在一段时间内提供的服务质量动态做出决策。，基站自主学习Wi-Fi网络的行为，识别自己的行为(选择一个或另一个接入点)对所获得好处的影响。
“对于这种学习，作为一个基础，我们使用了一种被称为路由贪婪的算法，它在随机选择访问点来获取信息(探索)和选择最佳访问点之间进行选择，基于这些积累的信息(挖掘)，”作者建议。
他们补充说:“因此，信息越多，我们做出的决定就越好。不过，要考虑到电台用于学习的时间和它用来成功利用所学知识的时间之间存在折衷。”
比较使用机器学习和负载均衡获得的性能。
一种缩短工作站学习时间的新算法
摘要针对贪心算法学习时间长等缺点，提出了一种新的算法，即“情感黏附”算法。工作所以一旦站发现一个接入点提供服务请求,即使它就不再这么做后,并不会立即把它扔掉再找另一个新的,希望在未来可能会给同样的良好的服务。
这项新提议减少了对用户的服务中断和网络不稳定性，这也有利于尚未找到接入点提供所需服务的站点。Carrascosa和Bellalta评论道:“尽管这不是我们工作的目标，但对人类社会行为的推断是相当直接的，就像我们在这个领域对结果的解释一样。”
在这篇文章中，我们研究了这一变化的影响，以及它如何让我们得到更好的Wi-Fi关联问题的结果。最终的目标是展示机器学习技术在解决Wi-Fi网络中预先配置的机制难以解决的问题上的有效性。根据我们的结果，我们还表明，并不是所有的电台都需要利用这些技术，因为如果只有少数电台实施新算法，整个网络受益，”作者坚持。
