英语原文共 9 页
基于移动人群感知的城市WiFi特征检测
Arsham Farshad and Mahesh K. Marina
The University of Edinburgh
Francisco Garcia Agilent Technologies
摘要：我们提出一种基于商业智能手机和人群自然移动性的移动人群传感方法，用于表征城市WiFi的特征。作为实践，我们使用这个方法研究了爱丁堡——一个欧洲的代表性城市的测量结果。结果显示，尽管2.4GHz频段的WiFi信道数量较少，但是该频段的被大量使用。5GHz频段的WiFi拥有相对较多的信道，却几乎没有使用的迹象。在很多地点，有大约10个AP（无线接入点）在提供服务。频谱使用的空间分析表明，当相邻的AP（无线接入点）使用同一信道时，相互之间产生的干扰将是一个十分严重的问题。我们发现，城市规模的WiFi部署特征与各种不同的室内公共环境的WiFi部署特征相似。我们通过使用Wardriving这个方法来比较验证了我们的方法，研究结果也与基于其他测量方法的先前研究结果相吻合。根据这个基于移动人群感知的城市WiFi特征检测应用，我们提出了基于云的WiFi路由器配置服务，以期在全球城市地区进行更好的WiFi干扰控制。
简介
近年来人们对手机传感技术的极大兴趣可以归结为以下几个因素：传感器无处不在；内置多个传感器的智能手机的快速发展；由人类携带，使传感器能自然地用于“移动”感知；以及未来可能的云的影响——通过多种连接方式连接到云，从而获得云的计算能力、存储和“集中化”。因此，手机传感应用在不同领域（如交通、社交网络、健康监测）[1]、[2]得到应用的设想和实现也就不足为奇了。当对一个团体/社区的参与者(一群人)采用适当的激励措施时，手机传感器收集到的信息就会变得更有价值，可以以一种更经济的方式对感兴趣的现象进行连续细粒度地时空监测。事实上，肖等人在[3]中指出，移动传感研究和应用的重点正在向移动群体感知转移，移动群体感知的定义是“拥有感知和计算设备的个体共同分享数据，提取信息，测量和映射共同感兴趣的现象”[4]。目前已经开发和部署了多个移动群体感知应用(如[5]、[6])，这是一个非常活跃的研究领域。
我们考虑了移动群体感知模式在无线网络监控中的应用。除了众多传感器外，现代手机还具有多个无线网络接口作为连接的选项（如蜂窝、WiFi、蓝牙、NFC）。关于手机感知的讨论主要集中在内置传感器和/或专用附加传感器的使用(例如GasMobile[5]、CellScope1、NETRA2)，连接选项作为数据共享的一种手段(参见[2])。我们扩展了这个常见的视图，将网络接口也视为传感器。GPS是如今所有智能手机的一个组成部分，它提供了一个位于这两个视图边界的网络接口的示例——被视为用于移动电话传感应用的位置传感器, 而它实际上是一个 RF通信系统，搭载于智能手机上的GPS接收器通过接收卫星发来的信号来确定位置。一些智能手机的技术规范确实承认这一观点。（见[7]）。一个更明显的例子是在智能手机上使用蜂窝接口进行基于人群的移动网络主动/被动测量，如[8]、[9]。另一个例子，在最近的[10]工作中，我们开发了一个系统，该系统利用智能手机上的WiFi接口，对企业、公共建筑(如商场)等室内环境中的WiFi网络进行低成本、自动化的监控。
本文以智能手机WiFi界面为测量传感器，重点研究基于移动人群感知的城市层面WiFi部署和配置特征。具体来说，我们报告了在爱丁堡进行的一项基于移动群体感知的WiFi测量研究的结果，该研究利用了在公共交通大巴上使用移动电话的参与者。我们的研究结果和贡献如下：
·WiFi频谱的使用非常不均匀地分布在2.4GHz和5GHz的未授权频段以及2.4GHz范围内的各种信道之间(IV.A节)。
·许多WiFi接入点(APs)与附近大约10个其他ap(及其客户端)在同一信道上竞争，因此可能会受到严重干扰。这是家庭WiFi路由器不协调和非自适应信道分配的常见做法的结果，这些路由器经常使用预置的工厂配置等信道设置(IV.B节)。
·我们还研究了开放APs的分布，它可以用于车辆WiFi访问[11]。我们注意到，沿连续路段开放的APs仅限于市中心附近的少数路段(IV.C节)。
·我们发现在几个不同室内环境的公共区域的WiFi部署观察结果与城市尺度的WiFi部署特征相匹配(IV.D节)。
·我们验证了我们的测量方法，将其与一项精心完成的Wardriving研究进行了比较，并获得了类似的定性结果(IV.E节)。
·我们基于移动人群感知的城市WiFi表征结果与之前不同测量方法下的研究结果一致(第五节)。
·我们概述了一种基于云的城市WiFi APs(如家庭无线路由器)WiFi频谱管理服务，可以利用基于移动人群感知的城市WiFi监测结果进行更好的干扰管理(第六节)。
与固定基础设施方法（例如，Argos [12]）相比，它依赖于WiFi监控嗅探器的静态部署，以及惯例使用的道路Aps连接测试[13] ，我们的移动群体感知方法提供了细化和持续的WiFi监控，以及与其他城市规模的方法的结果相当的低成本（第二部分）。
相关工作
在本节中，我们将讨论之前用于城市WiFi表征的固定基础设施和道路Aps连接测试方法，并将其与我们的移动群体感知方法进行对比。
固定的基础设施。在这种方法中，一组监控设备被放置在感兴趣的区域。Argos[12]是一个城市WiFi监控系统，它就是这种方法的例证。它是基于部署一套2.4GHz固定传感器(嗅探器)；这些嗅探器在一个单独的900MHz通道上以网状网络的形式无线连接。Argos的贡献在于建立了由多个传感器进行协调信道采样和收集监测流量的有效机制，这两种机制都旨在解决回程网容量有限的问题。
[14]报告的研究给出了另一个遵循这种方法的例子;在这里，测量数据是人工从部署在不同WiFi环境(住宅、公寓、咖啡馆和购物中心)的特定地点的监控设备中获取的。
从描述和监视的角度来看，部署专用基础设施的需求使得这种方法代价高昂，特别是对于细粒度的时空映射。
Wardriving [13]。这是描述城市WiFi最常用的方法。它通常涉及到一组wardrivers，每个wardrivers都携带专门的笔记本WiFi和GPS设备，运行wardriving软件(如inSSIDer[15])，可能还带有定制天线，在城市中四处寻找现有的WiFi APs。在这个操作过程中，wardriving软件通常是设备[13]上唯一运行的应用程序。有像WiGLE[16]这样的公共数据库来聚合来自wardriving的数据。[17]中报告的研究方法，即在伦敦某些社区四处走动时收集测量值，也可以看作这一方法。
典型的wardriving 数据和由此产生的WiFi APs映射用于定位(例如Skyhook, Place Lab)，作为一种比GPS更可靠、更快和更节能的替代方案。[11]报告了另一个wardriving用例，该用例旨在评估通过开放WiFi APs接入车辆互联网的可行性;他们的合作网站[18]展示了波士顿地区的wardriving测试中获得的APs地图。像典型的wardriving研究一样，[11]也使用定制的硬件/软件平台。
正如[19]的作者所指出的，wardriving是一种昂贵而乏味的操作。因此，对细粒度和连续的WiFi监控可能不太现实。
移动群体感知。这就是我们采取的方法。它与wardriving类似，但减轻了参与者的负担，使用已有的智能手机在后台运行测量软件。因此，它具有实现成本效益、细粒度和连续的时空无线监控的潜力。
群体感知在移动蜂窝网络测量中的应用受到了广泛的关注。例如，[8]、[20]解决了基于有用且可伸缩众包的移动网络测量问题，而OpenSignal[9]、Mobiperf[21]则代表了被动和主动的众包移动网络测量系统，并提供免费的移动应用。
对于WiFi来说，[22]是一个使用移动众包数据集的现有工作。具体来说，它报告了使用基于活动性能测量(下载/上传速度和延迟)的speedtest移动应用程序对WiFi和蜂窝网络连接之间的移动互联网接入性能的分析和比较。相比之下，我们的目标是利用移动群体感知来表征城市WiFi的部署。
Pazl[10]的目标是通过移动人群感知实现室内环境(企业、商场)的WiFi监测，并通过一种混合的定位机制，将行人行走轨迹推算和WiFi特征结合起来，解决测量定位的相关挑战。在本文中，我们的主要目标是让城市户外基于GPS的手机定位可以相当可靠(见下一节)。
在[23]中，作者提出了一种使用现成的AP硬件作为监测站来检测和跟踪支持WiFi的智能手机的系统，这与我们考虑的使用普通智能手机检测WiFi APs存在的问题思路相反。
实施方法
我们基于移动人群感知的城市WiFi特性研究是使用Android手机完成的，特别是三星Galaxy S III[7]手机，它可以接受802.11a/b/g/n无线电波，可以在2.4GHz和5GHz的无授权频段运行。我们完全依靠被动扫描测量，监听AP信标。Android被动扫描API的用户级可用信息仅限于:SSID、BSSID、channel、RSSI和可用的安全方案。测量时，我们使用免费的RF信号跟踪app[24]，该app持续被动扫描后台WiFi接入点(APs)，每隔3秒或移动5米以上记录一次数据;它将带有GPS位置和时间戳的扫描结果存储在本地CSV文件中。由于这个应用程序不记录位置错误，也不是开源的，所以我们开发了一个辅助应用程序，它可以同时运行并记录位置错误。然后将来自手机的测量数据传输到后端服务器，其中使用自定义python脚本将数据导入数据库，然后使用数据库进一步查询、分析和映射数据。
正如我们在一开始提到的，我们对城市WiFi的描述主要集中在爱丁堡，这是一个典型的欧洲城市[25]，规模较小，人口密集，尤其是在市中心。为了在较短的测量周期内实现概念验证和在参与者较少的情况下做到更广泛的空间覆盖，我们将重点研究参与者乘坐公共交通工具出行的测量场景。具体来说，我们的测量结果来自于参与者在城市中乘坐由当地一家名为Lothian buses[26]的巴士公司运营的巴士时所携带的手机。在这个意义上，它遵循了一种参与式的感知方法，类似于早期的城市空气/噪声污染监测研究[5]，[6]。本文中报告的测量值相当于在总共15小时内行驶31辆公共汽车。请注意，原则上，基于众包的测量可以以完全机会主义的方式进行，涵盖所有的运动模式，包括走路、站立等。我们的限制是基于上述原因。还要注意的是，在我们的研究中有一个假设，即邻居的可见ap也可以从街道上看到，反之亦然。
图1(a)以热图的形式显示了测量的总集。地图中的红色区域表示APs密度较高的区域，以及由于不同公交线路之间的路段重叠而具有多个测量值的区域。图1(b)列出了数据集中所有测量的位置误差统计数据。我们观察到，在没有GPS定位的情况下，最大误差可以超过1公里，但95%的情况下误差在50米以下。为了得到地图上可靠的APs空间分布，我们过滤掉了位置误差大于50m的5%的测量值。图1(c)给出了结果数据集的摘要。进一步研究，我们发现大部分APs对应的是家庭WiFi网络，并穿插在其他WiFi热点中。
|
最小值 |
中间值 |
平均值 |
最大值 |
|
|
位置偏移（米） |
4 |
8 |
9.6 |
1095 |
（b）
|
扫描测量点总数 |
147488 |
|
准确的测量点 |
11225 |
|
清楚检测到的无线接入点（APs）数量 |
13800 |
|
清楚检测到的开放无线接入点（Aps）数量 |
2977 |
（c）
图1.（a）基于移动人群感知的WiFi AP扫描测量结果热图; （b）收集的测量数据集的位置误差统计; （c）过滤的测量数据集汇总摘要。
实验结果
图2. 检测到的无线接入点（APs）使用信道的情况统计
- 频谱使用
我们首先查看数据集中WiFi APs的信道使用情况。图2为2.4GHz和5GHz波段不同信道的相对使用情况。显然，信道的使用是相当不均衡的，主要是2.4GHz波段的信道1、6和11。我们认为这主要是因为用户离开APs使用出厂设置，而出厂设置通常关注信道1、6和11，因为它们是不重叠的。在其余的信道中，我们发现的第二个最常见的信道是channel 7，这是因为与其中一个isp(根据SSID识别)对应的WiFi APs总是设置为使用channel 7。对于5GHz信道的使用很少，部分原因可能是5GHz信道的传播特性相对较差，以及我们从室外进行测量，而APs
资料编号：[5106]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
