基于机器学习的密集WiFi网络动态带宽分配与拥塞预测研究

研究人员针对密集WiFi网络中带宽分配不均导致的拥塞和丢包问题，提出了一种结合机器学习（决策树技术）与时间访问控制列表（TBACL）的动态负载均衡方法。通过分析历史用户关联数和带宽数据，预测网络拥塞时段，并动态调整服务质量（QoS）策略。实验表明，该方法使丢包率降低50%，显著提升优先流量传输效率，为高密度无线网络管理提供了创新解决方案。

　　

在数字化时代，密集WiFi网络的性能瓶颈日益凸显——当大量用户同时接入时，带宽分配不均会导致严重的网络拥塞和优先流量丢包。传统解决方案如静态访问控制列表（ACL）或第三方流量管理工具，不仅成本高昂，还难以适应动态变化的网络需求。这一问题在高校、企业园区等高密度场景中尤为突出，亟需一种智能化的动态调控方法。

哥伦比亚圣安德烈斯技术大学（Unidades Tecnológicas de Santander, UTS）Grupo de Nuevas Tecnologías (GNET)团队在《Fertility and Sterility》发表的研究中，创新性地将机器学习与网络策略相结合。研究人员通过决策树算法分析历史带宽和用户关联数据，预测网络拥塞时段，并基于时间访问控制列表（TBACL）动态调整服务质量（QoS）策略。这种方法无需改造现有设备，仅需在路由器配置TBACL即可实现带宽的智能再分配。

关键技术包括：1）从校园网络AP采集用户数和带宽数据构建拥塞矩阵S(t)；2）采用Scikit-Learn库训练决策树模型预测拥塞时段；3）通过TBACL实施分时段QoS策略，优先保障教学管理（VLAN 900）与学生流量（VLAN 901）。

研究结果显示：

1. 拥塞时段预测：决策树模型准确率达0.655，成功识别每日两个拥塞高峰（6:45-10:00和17:00-21:00），分别对应教师VLAN与学生VLAN的流量激增。

2. 性能提升：动态QoS使丢包率从45 Kbps降至3 Kbps，AP阻塞现象完全消除，优先流量带宽提升87.5%（VLAN 900达150 Mbps）。

3. 策略灵活性：通过调整决策树剪枝深度，可控制系统对拥塞的敏感度，适应不同网络环境需求。

这项研究的突破性在于：首次将机器学习预测与TBACL策略动态耦合，实现了网络资源的"按需分配"。相比传统SDN方案，该方法部署成本更低且兼容现有设备，特别适合教育资源有限的发展中国家高校。研究团队强调，未来可扩展至5G网络切片等场景，为智能城市基础设施建设提供关键技术支撑。