Proposta de um mecanismo dinâmico de seleção de interface de rede de dispositivos móveis utilizando aprendizagem de máquina

Abstract

Nas últimas décadas, as comunicações móveis evoluíram de um patamar de tecnologia cara utilizada por alguns poucos indivíduos para a condição de sistemas ubíquos usados pela maioria da população mundial. Diante desse cenário, as tecnologias presentes nos dispositivos móveis (hardware, software, comunicações e bateria) precisam evoluir para suprir as novas funcionalidades (altas taxas de dados e conectividade ininterrupta, por exemplo) que cada vez mais demandam um maior consumo de energia e, consequentemente, implicam na diminuição da autonomia dos smartphones. Sabendo que a tecnologia de transmissão sem fio contribui significativamente para o aumento do consumo de energia dos dispositivos móveis e considerando o crescimento exorbitante de tráfego de dados dos últimos anos, esforços têm sido realizados para se buscar soluções que estendam a autonomia das baterias. Um exemplo é a integração de diferentes tipos de redes sem fio (3G e Wi-Fi, por exemplo) que permitam ao dispositivo móvel selecionar a interface de rede com base em algum critério de otimização, como, por exemplo, a minimização do custo energético por cada byte transferido. Atualmente, em smartphones Android, sempre que redes Wi-Fi estão disponíveis, a interface de rede Wi-Fi do dispositivo móvel é naturalmente escolhida, muito provavelmente por questões financeiras. No entanto, tal escolha não garante que o consumo de energia associado será otimizado. Face ao exposto, o objetivo deste trabalho é a proposição de um mecanismo dinâmico de seleção de interface de rede focado em minimizar o consumo de energia do dispositivo móvel, permitindo um aumento da autonomia da bateria. Para isso, diversas técnicas de Aprendizagem de Máquina são empregadas no intuito de prever o custo energético por byte transferido de cada tipo de interface de rede disponível. Por fim, uma comparação dos custos energéticos (para cada interface de rede) obtidos por cada técnica de Aprendizagem de Máquina é realizada para indicar qual a melhor alternativa dentre as técnicas selecionadas. Dessa forma, é possível comparar as estimativas dos custos energéticos de cada interface e escolher aquela que diminui o consumo.