000 | 03106nam a22003257a 4500 | ||
---|---|---|---|
003 | EC-UrYT | ||
005 | 20231202121017.0 | ||
008 | 150116t9999 mx r gr 000 0 spa d | ||
040 | _cEC-UrYT | ||
041 |
_aeng _bspa |
||
100 | 1 |
_aAndrade Zambrano, Argenis Ronaldo _915431 _eautor |
|
245 | 1 | 3 |
_aAn improved congestion control mechanism for wireless networks using reinforcement learning / _cArgenis Ronaldo Andrade Zambrano ; tutor Juan Pablo Astudillo León |
264 | 4 |
_aUrcuquí, _c2023 |
|
300 |
_a105 hojas : _bilustraciones (algunas a color) ; _c30 cm + _e1 CD-ROM |
||
502 |
_aTrabajo de integración curricular _b(Ingeniero en Tecnologías de la Información). _cUniversidad de Investigación de Tecnología Experimental Yachay. _gUrcuquí, _d2023 |
||
504 | _aIncluye referencias bibliográficas (páginas 71-83) | ||
506 | _aTrabajo de integración curricular con acceso abierto | ||
516 | _aTexto (Hypertexto links) | ||
520 | _aLas redes de comunicación inalámbrica, en particular las de múltiples saltos, se están expandiendo rápidamente, impulsadas por la integración de capacidades de comunicación en varios dispositivos. Un desafío importante en estas redes es gestionar la congestión, especialmente cuando se utiliza el protocolo de datagramas de usuario (UDP), que inherentemente carece de mecanismos de retroalimentación para mitigar la congestión. Esta tesis presenta un novedoso enfoque de control de congestión diseñado para estas redes, basado en Deep Q-Network (DQN). Al emplear el poder del aprendizaje por refuerzo profundo, el mecanismo DQN se adapta dinámicamente a escenarios de redes estáticas y móviles, tomando decisiones en tiempo real para optimizar el rendimiento de la red. El estudio evalúa este enfoque en diversos entornos, incluidas redes estáticas estructuradas y entornos inspirados en el mundo real. Los resultados muestran consistentemente la superioridad del mecanismo DQN sobre una línea de base sin control de congestión, particularmente en lo que respecta a la tasa de entrega de paquetes (PDR) y el tiempo de tránsito de la red. Sin embargo, a medida que aumenta la complejidad de la red, el rendimiento del modelo disminuye, lo que sugiere posibles desafíos de escalabilidad. El control de congestión basado en DQN ofrece una vía prometedora para mejorar la comunicación inalámbrica, pero es fundamental realizar más investigaciones para optimizarlo en entornos de red en continua evolución. | ||
546 | _aTextos en inglés con resúmenes en español e inglés | ||
650 | 0 |
_aComunicaciones inalámbricas _915432 |
|
650 | 0 |
_aRedes multisalto _915433 |
|
650 | 0 |
_aAprendizaje profundo _912693 |
|
650 | 0 |
_aTecnologías de la Información _93891 _vTrabajos y disertaciones académicas |
|
700 | 1 |
_aAstudillo León, Juan Pablo _915434 _etutor |
|
710 | 1 |
_aUniversidad de Investigación de Tecnología Experimental Yachay. _911232 _bEscuela de Ciencias Matemáticas y Computacionales |
|
856 |
_zVer recurso _uhttp://repositorio.yachaytech.edu.ec/handle/123456789/680 |
||
942 |
_2ddc _cTIC |
||
999 |
_c4460 _d4460 |