Show simple item record

dc.contributor.advisorIbarrola Armendáriz, Ana Eva ORCID
dc.contributor.authorAcha Alonso, Mikel
dc.contributor.otherMaster de Ingeniería (Tel902)
dc.contributor.otherIngeniariako Master (Tel902)
dc.date.accessioned2024-05-10T17:23:15Z
dc.date.available2024-05-10T17:23:15Z
dc.date.issued2024-05-10
dc.identifier.urihttp://hdl.handle.net/10810/67881
dc.description.abstractEl presente proyecto comprende un estudio de técnicas de aprendizaje automático para la mejora de los procedimientos de gestión de la calidad de servicio en redes inalámbricas de área local. En concreto, se analiza la aplicabilidad de las técnicas de agrupamiento sobre las tareas de diferenciación de entornos y clasificación de perfiles. Para dicho fin, inicialmente se ha desarrollado un extenso estudio teórico de las características de la tecnología IEEE 802.11 y sus casos de uso para generar los patrones de simulación a emplear y definir los indicadores de rendimiento clave. Asimismo, se ha realizado un análisis teórico de la aptitud de múltiples técnicas de agrupamiento para los procesos de mejora de la calidad de servicio. Una vez cerrado el estudio conceptual, se hace uso de un simulador de redes inalámbricas para introducir múltiples casuísticas de utilización de la tecnología en base a lo definido en un inicio. Acto seguido, la salida del simulador es procesada mediante las técnicas de agrupamiento. La validación de los algoritmos se lleva a cabo mediante la aplicación de estos sobre los resultados de simulación y su posterior análisis. La síntesis final del estudio toma como soporte fundamental la comparación de las métricas de simulación correspondiente a cada caso bajo estudio con los grupos generados mediante aprendizaje automático.es_ES
dc.description.abstractProiektu honek ikasketa automatikoaren tekniken inguruko azterlana biltzen du, haririk gabeko sare lokalen zerbitzuaren kalitatearen kudeaketa prozesuen hobekuntza ahalbidetzeko. Zehazki, taldekatze tekniken aplikagarritasuna ikertzen da ingurune desberdintze eta erabiltzaile profil sailkapen eginkizunak betetzeko. Hori xede, lehenik eta behin IEEE 802.11 teknologiaren eta haren erabilpen kasuen inguruko azterketa kontzeptual sakona garatu da simulazio ereduak diseinatu ahal izateko eta errendimendu adierazle gakoak definitzeko. Era berean, zerbitzuaren kalitatearen hobekuntzarako hainbat taldekatze tekniken gaitasunaren analisia burutu da. Behin ikerlan kontzeptuala garatuta eta haren ondorioak oinarritzat hartuz, haririk gabeko sare simulagailu baten bidez teknologiaren kasuistika anizkunak ezarri dira. Jarraian, simulazioen emaitzak ikasketa automatikoaren algoritmoen sarrera gisa erabiltzen dira. Hori dela medio, aztertutako taldekatze teknikak balioztatu egiten dira haien aplikazioaren eta geroko analisiaren bidez. Azken azterketa prozesuak simulazioetan lortutako metrikek eragindako taldeen eta hasiera batean definitutako kasuistiken konparaketa du oinarri.es_ES
dc.description.abstractThe following project contains a study on machine learning techniques to enable the improvement of quality-of-service management procedures on wireless local area networks. Particularly, this project aims to analyse the applicability of clustering techniques on the processes of environment differentiation and user profile classification. Therefore, detailed initial conceptual research has been done on the IEEE 802.11 technology characteristics and its use cases. Based on that study, several simulation patterns have been developed and key performance indicators have been defined. In the same way, a theorical analysis of the aptitude of clustering techniques has been carried out focusing on their ability to improve quality of service management processes. Once the conceptual research has been completed, multiple casuistries inferred from it have been implemented throughout the use of a wireless network simulator. Once the simulations have been finished, clustering techniques are used to process the output of the simulator. Finally, the analysis of the suitability of the algorithms over the results takes place. To validate the techniques for QoS improvement procedures, a comparison between the case study metrics and the final cluster results is performed.es_ES
dc.language.isospaes_ES
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/es/
dc.subjectaprendizaje automáticoes_ES
dc.subjectikasketa automatikoes_ES
dc.subjectclusteringes_ES
dc.subjectagrupamiento
dc.subjectred Inalámbrica de àrea local
dc.subjectcalidad de servicio
dc.subjectdiferenciación de entornos
dc.subjectclasificación de perfiles
dc.subjecttaldekatze
dc.subjectharirik gabeko sare lokal
dc.subjectzerbitzuaren kalitate
dc.subjectingurune desberdintze
dc.subjecterabiltzaile profil sailkapen
dc.subjectanomalia detekzio
dc.subjectenvironment differentiation
dc.subjectwireless local area Network
dc.subjectquality of service
dc.subjectuser profile classification
dc.subjectanomaly detection
dc.titleEstudio de procedimientos para la mejora de la QOS en redes WLAN mediante Clustering.es_ES
dc.typeinfo:eu-repo/semantics/masterThesis
dc.date.updated2023-09-15T07:27:12Z
dc.language.rfc3066es
dc.rights.holderAtribución-NoComercial-Compartir Igual (cc by-nc-sa)
dc.identifier.gaurregister136480-762579-02
dc.identifier.gaurassign138955-762579


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial-Compartir Igual (cc by-nc-sa)
Except where otherwise noted, this item's license is described as Atribución-NoComercial-Compartir Igual (cc by-nc-sa)