Analysis and exploitation of WiFi and LTE data traffic traces

The development of information and communication technology (ICT) industry has led to unprecedented amount of connected devices worldwide that produce massive amounts of traffic. The wireless networks deployed at universities and other corporate buildings generate huge volumes of trafffic, which can later through data analysis be used for providing different types of services. In this work, we analyzed the traffic from two types of wireless networks, WiFi and LTE, at the Architecture building of Politecnico di Milano and predicted its future behavior by using machine learning algorithms. We then used supervised learning algorithms for classification to predict whether there is an event in a classroom (e.g., class, workshop), based on some features of the traffic as the number of users, the total volume of the traffic or the channel quality indicator. We also created an energy efficiency model for the wireless network which allows us to turn off some of the access points when the traffic or the number of users in the classroom is low in order to save energy. Finally, we simulated these scenarios in OMNeT++ to see how applying the energy policy affects the throughput, transmission delay and number of lost packets as Quality of Service parameters.

Lo sviluppo dell’industria delle tecnologie dell’informazione e della comunicazione (ICT) ha determinato una quantità senza precedenti di dispositivi connessi globalmente, che producono un’enorme quantità di traffico dati. Le reti wireless installate nelle università ed altri edifici aziendali generano enormi volumi di traffico, che possono in seguito essere usati ("used” refers to the volumes of traffic, right?), tramite analisi dati, per fornire diverse tipologie di servizi. In questo lavoro è stato analizzato il traffico prodotto da due tipi di rete wireless, WiFi e LTE, presso l’edificio di Architettura del Politecnico di Milano ed è stato predetto il suo comportamento futuro usando algoritmi di machine learning. Sono poi stati usati algoritmi di supervised learning al fine di classificazione, per prevedere se ci fosse un evento in un’aula (ad esempio lezioni, workshop), basandosi su alcune caratteristiche del traffico come: il numero di utenti, il volume totale di traffico o il Channel Quality Indicator. È stato inoltre creato un modello energeticamente efficiente per la rete wireless, che permetta di spegnere alcuni access point quando il traffico o il numero di utenti nell’aula è basso, in modo da risparmiare energia. Infine, questi scenari, sono stati simulati in OMNeT++ per verificare come questa politica energetica influenzi il throughput, ritardo di trasmissione e il numero di pacchetti persi come parametri di Quality of Service.