大型實際運作網路中 WiFi 延遲的特性分析與改善

原題：Characterizing and Improving WiFi Latency in Large-Scale Operational Networks

作者：Kaixin Sui†‡、Mengyu Zhou†、Dapeng Liu†‡、Minghua Ma†‡、Dan Pei†‡*、Youjian Zhao†‡、Zimu Li†、Thomas Moscibroda§。

† 清華大學；‡ 清華資訊科學與技術國家實驗室（TNList）；§ Microsoft Research。* 通訊作者：Dan Pei。

發表：MobiSys ’16，2016 年 6 月 25 至 30 日，新加坡。DOI：10.1145/2906388.2906393。

來源：使用者提供的 mobisys_2016b.pdf，共 14 頁。本文件依原文章節翻譯全文，保留引用編號與數據；圖表曲線、決策樹及畫面保留原圖，中文圖說與圖中文字對照另列。參考文獻的作者、出版資訊與網址保留原文，題名翻成中文。明確標為「譯註」的內容不屬於原文。

摘要

WiFi 延遲是影響現代行動應用程式使用者體驗的關鍵因素，然而目前仍缺乏大規模研究。本文設計並部署 WiFiSeer，這是一套用來大規模量測與分析 WiFi 延遲特性的框架。WiFiSeer 包含一套系統化方法，用來建立 WiFi 延遲與多種 WiFi 效能指標、裝置特性及環境因素之間複雜關係的模型。

我們將 WiFiSeer 部署在清華大學校園，對超過 47,000 台不同的使用者裝置進行規模空前的 WiFi 延遲量測研究。我們觀察到 WiFi 延遲呈現長尾分布，第 90 百分位約為 20 ms，第 99 百分位約為 250 ms。此外，量測結果以量化方式證實了一些關於影響因素的經驗性看法，也否定了另一些看法。

我們在清華部署三項改善 WiFi 延遲的實用方案，結果顯示 WiFi 延遲明顯改善。其中，超過 1,000 台裝置使用以 WiFi 延遲預測模型為基礎的 AP 選擇服務，持續 2.5 個月；在重新連線到建議的 AP 之後，72% 的延遲降低超過一半。

關鍵字： 無線網路；WiFi 延遲；量測。

1. 引言

WiFi 延遲是現代即時、互動式網際網路應用的重要效能指標，例如線上遊戲、網頁瀏覽，以及即時協作應用。這些應用對端到端延遲有嚴格要求 [28, 33, 53]。例如，[53] 指出，20 ms 的最後一哩延遲會被放大為約 2 至 3 秒的網頁載入時間，這樣的速度已不符合 47% 網頁使用者的期待 [19]。有線網際網路的延遲相對穩定，且已經過完善的工程設計，例如使用 CDN；相較之下，最後一跳的 WiFi 延遲通常難以預測，而且往往是端到端延遲的主要因素。舉例來說，第 3.1 節的量測結果顯示，WiFi 延遲中位數雖然低至 3 ms，第 90 與第 99 百分位卻分別約為 20 ms 和 250 ms。

利用 WiFi 相關指標，例如頻道使用率，來分析 WiFi 延遲特性，是緩解這些問題的關鍵第一步。理解高 WiFi 延遲發生的原因，有助於改善無線協定與硬體設計，也能改善實際運作 WiFi 網路的診斷與效能。然而，大規模量測並分析 WiFi 延遲相當困難；據我們所知，尚未有人全面處理這個問題。原因有很多。

首先，在企業或校園規模的 WiFi 網路中直接量測 WiFi 延遲很困難，因為：（i）常用的無線產品不會回報 WiFi 延遲；（ii）以封包嗅探器為基礎的量測方法，在大型網路中部署過於昂貴或不便；（iii）需要修改存取點（Access Point，AP）韌體或軟體的方法，必須花很長時間才能被商用部署採納；（iv）一般以 ping 為基礎的方法會受到裝置省電模式影響，詳見第 2.1 節。

其次，既然直接量測 WiFi 延遲很困難，改用其他較容易量測的 WiFi 相關指標來描述延遲，也同樣不容易。具體而言，WiFi 延遲與任何這類容易取得的單一指標之間，都不存在簡單的相關關係。本文將展示，WiFi 延遲與其他無線電參數及指標之間的關係既微妙又非線性，反映出多種 WiFi 指標、協定參數和環境因素的複雜交互作用。

為了解決這些挑戰，我們設計了 WiFiSeer（圖 1）。這套框架能大規模量測及分析 WiFi 延遲，並改善實際運作的大型企業無線區域網路（Enterprise Wireless Local Area Network，EWLAN）[9, 10] 的 WiFi 延遲，例如校園、購物中心、機場與旅館中的網路。

WiFiSeer 首先使用一種新的 ping 量測方法，稱為 Ping2（第 2.1 節），量測連接 EWLAN 的裝置之 WiFi 延遲。同時，WiFiSeer 透過 SNMP（Simple Network Management Protocol，簡易網路管理協定）定期輪詢現有資料，以取得可能影響 EWLAN 中 WiFi 延遲的因素。Ping2 與 SNMP 資料經過關聯整合後，形成 WiFiSeer 的 WiFi 延遲資料集。

以清華大學 EWLAN（THU-WLAN）實際部署所取得的一週資料集為例，Ping2 收集了數億筆 WiFi 延遲紀錄。每筆紀錄將一個 WiFi 延遲值，與 SNMP 資料中的 11 項業界標準無線電因素，例如頻道使用率、3 項協定因素，例如頻道編號，以及 6 項環境因素，例如建築物，關聯起來（第 2.2 節）。資料集涵蓋超過 2,700 個 AP、114 棟建築物及超過 47,000 台行動裝置。

圖 1：WiFiSeer 概觀。 資料收集器從有線網路以 Ping2 取得 WiFi 延遲，從無線控制器以 SNMP 取得相關因素；定期收集的歷史資料集供機器學習建模使用。模型 1 對應「理解無線電因素的影響」、模型 2 對應「診斷高 WiFi 延遲」、模型 3 對應「選擇低延遲 AP（AGE）」。圖中另標示依需求進行的即時量測。

上述大規模資料集讓我們得以全面觀察真實環境中的 WiFi 延遲。首先，一些對 WiFi 延遲不佳的常見認知獲得量化證實：（i）WiFi 延遲呈現長尾分布，第 50、第 90 及第 99 百分位分別約為 3 ms、20 ms 及 250 ms；（ii）75% 的使用者裝置在一週內至少遇過一次不佳情況，也就是平均延遲超過 20 ms，且持續超過一分鐘。

其次，直接檢視圖形也揭露一些有趣現象（第 3.2 節）：（i）5 GHz 頻段仍大幅未被充分利用，其延遲比 2.4 GHz 低；（ii）裝置預設依 RSSI 選擇頻段，偏向使用 2.4 GHz；（iii）RSSI 與 WiFi 延遲的相關程度，不如頻道使用率等指標。

為了理解這些現象背後的原因，並降低實際網路中的高 WiFi 延遲，我們使用容易量測的 WiFi 相關因素建立延遲模型。這些因素彼此相依，與延遲的關係可能是非線性，甚至非單調的。WiFiSeer 使用機器學習提供建模的基本組件，再針對三種實際應用建立三個不同模型，進一步產生更多有趣的觀察與洞見。

第一個應用將業界標準無線電因素，也就是容易量測的 WiFi 效能指標，與 WiFi 延遲建立關聯。這個模型可協助廠商及協定設計者評估潛在方案。模型顯示，對 WiFi 延遲最有資訊價值的三個指標為頻道使用率、線上裝置數及訊噪比（Signal-to-Noise Ratio，SNR）；通常用於 AP 選擇的 RSSI 則不是。模型也描述了這些指標與延遲之間不直觀且複雜的關係。

第二個應用提供 WiFi 延遲模型，協助管理者診斷實際 EWLAN 中的高延遲。具體而言，模型指出高延遲發生的時間與地點，並提供這些「問題點」的潛在影響因素。根據結果，我們在 THU-WLAN 部署兩種具體緩解方法：新增僅支援 5 GHz 的 SSID，以及高密度部署 AP。實務證明兩者有效（第 5.2 節）。

第三個應用是 AGE（Associate to Good Enterprise APs），一項以延遲為導向的 AP 選擇服務，由使用者裝置上的輔助 App，以及執行預測模型的集中式控制器組成。AGE 控制器利用現有的效能指標與環境因素，預測裝置附近 AP 的 WiFi 延遲，再由用戶端 App 引導裝置連線到預測延遲最低的 AP。在超過 1,000 台 Android 裝置部署 2.5 個月後，結果顯示 AGE 重新連線後，72% 的延遲降低超過一半。

我們的主要貢獻如下：

• WiFiSeer 框架具有足夠通用性，可讓世界各地的研究者或管理者研究自己的網路。它提供系統化方法，建立 WiFi 延遲與多種 WiFi 效能指標、裝置特性及環境因素之間複雜關係的模型。
• 我們提出企業規模的 WiFi 延遲量測研究，是當時已發表研究中規模最大者，補足過去聚焦干擾 [51] 與吞吐量 [46] 的 WiFi 研究。結果量化證實某些經驗性看法、否定另一些看法，例如 RSSI 對延遲的影響，並揭露先前未知的洞見，例如 AP 選擇機制不足且缺乏協作。我們相信，這些結果對行動網際網路生態系中的各方都有啟示。
• 我們在實際運作的 EWLAN 部署三項改善延遲的實用方案，結果顯示 WiFi 延遲顯著改善。

本文其餘章節安排如下：第 2 節說明 WiFiSeer 如何收集延遲與相關因素；第 3 節利用 THU-WLAN 資料集進行大規模量測研究；第 4 節介紹如何以機器學習建立完整的 WiFi 延遲模型；第 5 節呈現基於模型的三種典型應用；第 6 節討論 WiFiSeer 的延伸方向；第 7 節回顧相關研究；第 8 節總結。

2. 資料收集

本節說明 WiFiSeer 如何收集 WiFi 延遲及相關因素的資料集。第 3 節的量測研究及第 4 節的模型建立，都使用依此方式收集的資料。

2.1 量測 WiFi 延遲

在實際運作的大型 EWLAN 中，以低成本系統化量測 WiFi 延遲很有挑戰。首先，常見無線產品無法直接提供延遲；例如 Cisco AP 的 SNMP 資料不會監測 WiFi 延遲。其次，嗅探器方法 [31, 32, 47] 需要額外部署無線嗅探器，對大型 EWLAN 而言不便或成本太高。第三，需要修改 AP 韌體或軟體的方法 [12, 46, 51] 不能立即使用，因為廠商要花很長時間才能在商用產品中採用。

最後，標準 ping 方法，無論從行動裝置傳向 AP，例如 MobiPerf [39] 與 Speedtest [17]，或從 AP 一側傳向行動裝置，原則上都能估計 WiFi 延遲 [37]，但實際上無法適用，原因見後面的 Ping2 評估。這些方法會受到裝置省電模式 [6, 7, 14, 16] 的影響，包括處理器低功耗暫停模式 [48] 及 WiFi 晶片省電模式 [35]。尤其當裝置處於省電模式，喚醒時間會使 ping 延遲明顯增加，造成量測不準。由於缺乏可行工具，研究者與管理者很少能掌握 EWLAN 中準確的 WiFi 延遲。

Ping2 的設計。 為了取得更準確的 WiFi 延遲，我們開發以 ping 為基礎的輕量工具 Ping2。它避免省電模式額外延遲的核心想法很直觀。如圖 2，Ping2 執行於 EWLAN 有線網路上的伺服器，連續向使用者裝置發送兩次 ping。第一次用來喚醒裝置；收到第一次回覆後，立即發出第二次。

裝置預設維持活躍模式的時間，例如 Android 約 200 ms [36]，iPhone 約 100 ms [35]，通常長於往返時間 RTT；例如圖 4 中 98% 的 RTT 小於 200 ms，97% 小於 100 ms。因此第二次 ping 在大部分情況下可避開省電模式，更準確量測延遲。Ping2 以第二次 ping 的 RTT，也就是圖 2 的 RTT 2，作為結果。注意，伺服器至 AP 的有線部分延遲可以忽略，因為我們在 THU-WLAN 量得其第 99 百分位低於 1 ms。

圖 2：Ping2** 時間線。** Wired＝有線；Wireless＝無線；Server＝伺服器；Mobile Device＝行動裝置；Energy saving mode＝省電模式；Active mode＝活躍模式；Wake up delay of WiFi chip／CPU＝WiFi 晶片／CPU 喚醒延遲；PING frame＝PING 訊框；Beacon frame＝信標訊框；NULL frame＝NULL 訊框；1st／2nd ping＝第一次／第二次 ping。

我們用 Ping2 量測連接 EWLAN 的使用者裝置。為了取得穩定延遲，每 10 秒量測每台裝置一次，再將一分鐘內六次結果取平均，作為資料集的一筆 WiFi 延遲紀錄。連線裝置的 IP 位址由 EWLAN 記錄，可從 SNMP 資料取得。為了降低頻寬成本，Ping2 使用不含任何酬載的 ping 封包。

Ping2 的評估。 我們從準確度、伺服器負擔與使用者裝置電池負擔三方面評估 Ping2。

為驗證準確度，我們在小型測試環境對三種不同裝置進行控制實驗。環境包含一個 AP、一台以有線方式連接 AP 的 Linux 伺服器，以及三台行動裝置：Android 手機 LG Nexus 5、Windows 平板 Surface Pro 3 與 Linux 筆電 Lenovo ThinkPad X1 Carbon。測試環境經過隔離，所用無線頻道幾乎沒有其他流量。三台裝置恢復原廠設定，以免額外安裝的軟體喚醒裝置。

每次只讓一台裝置以 WiFi 連接 AP，再輪流使用下列方法量測：

• M1：伺服器每 10 秒使用 Ping2 量測。
• M2：伺服器每 10 秒向行動裝置 ping 一次。
• M3：行動裝置每 10 秒向伺服器 ping 一次。
• M4：行動裝置每 1 ms 向伺服器 ping 一次。
• M5：MobiPerf，僅安裝於手機，每 0.5 秒向伺服器 ping 一次，以 10 次 ping 的平均作為延遲結果。

我們假設實驗期間 WiFi 延遲維持不變，將 M4 的結果視為真實基準值，因為如此高頻率的 ping 能防止裝置進入省電模式 [14, 16]。M4 比手動關閉裝置省電模式更通用，後者依賴裝置，甚至可能不受支援。每種方法量測 120 次，累積分布函數（CDF）如圖 3。不同裝置上，M1（Ping2）與 M4 最接近，表示 Ping2 能更準確量測 WiFi 延遲。

相較之下，M3 與 M5 引入額外延遲，因為省電模式下裝置需先花數毫秒喚醒，才能送出 ping。M2 更糟：依照省電策略，從 AP 一側喚醒裝置需等待 AP 信標，等待可長達一個信標週期 [29]，例如 THU-WLAN 的 100 ms。

圖 3：不同方法量得延遲的 CDF。 M5（MobiPerf）僅用於手機。(a) Android 手機；(b) Windows 平板；(c) Linux 筆電。橫軸為延遲（ms），縱軸為 CDF；M4 為基準方法。

就伺服器負擔而言，Ping2 極為輕量。我們以 C++ 多執行緒實作，執行於一般 Linux 伺服器，配備兩顆 Intel E5-2420 CPU、32 GB 記憶體及 Gigabit Ethernet 網卡。尖峰時段，Ping2 可量測超過 15,000 台線上使用者裝置，CPU 使用率不到 10%，頻寬約 1 MB/s，且已包含 SNMP 資料收集的負擔。

此外，Ping2 對裝置電池造成的負擔相對低，而且只會偶爾發生。我們在小型測試環境中，以六組不同手機進行 A/B 測試；每組一台接受 Ping2 量測，另一台不接受。為評估最壞情況，也就是讓 Ping2 盡可能頻繁地從省電模式喚醒手機，所有手機皆恢復原廠設定並設為待機，因而測試期間多半處於省電模式。持續 24 小時的測試發現，Ping2 最多消耗不同手機電池容量的 7% 至 10%（表 1）。

實務影響可能小得多，因為使用者手機不會一直處於省電模式。行動 App 的背景流量 [49]，例如 App 日誌傳輸與保活封包，會定期喚醒手機。更重要的是，Ping2 不必一直執行；WiFiSeer 只需定期收集資料，例如每季收集一週，便可建立延遲模型。

總而言之，Ping2 是在大型 EWLAN 中量測 WiFi 延遲的準確、低成本工具。它也十分通用，不必修改既有 AP 或使用者裝置，即可加入實際運作的 EWLAN。

表 1：持續 24 小時 A/B 測試中，Ping2** 的最大電池消耗。**

2.2 收集相關因素

SNMP 資料是監測大型 EWLAN 的常用來源。大部分廠商在無線控制器上提供大量有用的 SNMP 資料。為避免控制器過載，WiFiSeer 每分鐘輪詢一次。我們收集的無線效能相關因素列於表 2，分為三大類：無線電因素、協定因素及外部因素。表 2 也顯示資料集中觀察到的值域，以及每個因素用在哪些應用（第 4.1 節）。

無線電因素。 包含 AP 與使用者裝置常見、通用的無線效能指標，例如頻道使用率、干擾使用率、接收／傳送使用率及每個無線電介面的裝置數。¹ 詳見 [4]。這些因素描述無線環境的性質，可能從根本上影響 WiFi 延遲，或與延遲相關。

協定因素。 表示頻譜及頻率特性，例如 5 GHz 頻段。協定因素可由無線電因素描述，例如 5 GHz 頻段裝置較少且頻道使用率較低。因此，可將協定因素視為特定無線電因素的集合。

外部因素。 包含時間、空間因素，以及 AP 和使用者裝置的硬體特性。它們往往透過無線電因素間接影響延遲。例如尖峰時段意味著高頻道使用率，可能導致高延遲。

五種 AP 型號是 Cisco AIR-CAP{3602I-C, 702W-C, 3502E-C, 3702I-H, 3502I-C}-K9。WiFi 晶片製造商根據裝置 MAC 位址中的組織唯一識別碼（OUI）推得。建築物類型按用途分類：教學樓、圖書館、宿舍、餐廳、體育館、行政樓、系所、旅館、小學及其他。星期與一天中的時刻由 SNMP 資料時間戳取得。部分外部因素，例如 AP 型號及建築物，僅適用於我們的 THU-WLAN 部署。

表 2：無線效能相關因素。 應用 2 的「階段 1」因素用於模型第一階段，「階段 2」用於第二階段（第 5.2 節）；「—」表示未使用。

譯註：表 2 最後一列的 ID 在原文誤列為 10，此處依順序標為 20。天線增益單位 dBm 與各值域均照原表保留。

3. 大規模量測研究

我們已在 THU-WLAN 部署 WiFiSeer 所有組件。清華校園占地約 4 平方公里，有超過 53,000 名學生、教師及職員。超過 2,700 台雙頻 Cisco AP 由 14 台 Cisco 5508 無線控制器管理，在 114 棟建築物提供名為「Tsinghua」的雙頻 SSID。

我們使用 WiFiSeer 收集一週的 WiFi 延遲及相關因素資料。資料集包含來自超過 47,000 台不同裝置的數億筆紀錄，資料量高達 500 GB。據我們所知，這代表規模空前的 WiFi 延遲量測，提供獨特機會，理解真實環境中的延遲及其與多種因素的關係。

其中一些高層次發現可以推廣到 THU-WLAN 以外：（1）WiFi 延遲具有長尾；（2）5 GHz 頻段大幅未被充分利用，且延遲低於 2.4 GHz；（3）AP 選擇機制不足，且缺乏協作；（4）不同 WiFi 晶片組的延遲差異很大。本節詳述這些及其他結果。

3.1 分布與關係

WiFi 延遲。 圖 4 顯示 THU-WLAN 的 WiFi 延遲分布（CDF）。雖然中位數低，約 3 ms，第 90 百分位卻約 20 ms，第 99 百分位更超過 250 ms。正如引言所述，長尾非常重要，因為它可能造成應用層或使用者感受到的數秒延遲 [15]。

例如，[53] 指出，最後一跳延遲只增加 10 ms，就會使網頁載入時間增加數百毫秒；約 20 ms 的最後一跳延遲，可能讓 Google、Yahoo 等熱門網站的載入時間達約 2 至 3 秒，超出 47% 使用者的期待 [19]。WiFi 延遲對感知延遲具有這種多倍放大效果，因此我們觀察到的長尾分布令人擔憂。

圖 4：WiFi 延遲分布。 橫軸為延遲（ms），縱軸為 CDF；分界標示 EX fast（極快）、fast（快）、slow（慢）、EX slow（極慢）。

為便於理解，我們依照網際網路服務的端到端延遲需求，將 WiFi 延遲分成四類（表 3）。依此分類，圖 4 中約 20% 的量測屬於 slow 或 EX slow。我們也發現，清華校園 75% 的使用者裝置，在一週中至少經歷一次持續超過一分鐘的 EX slow 不佳狀況。以上結果顯示，高 WiFi 延遲不只存在，而且實務上相當普遍。

表 3：WiFi 延遲類別。EX 表示 extremely（極度）。

譯註：以上範圍照原表翻譯。原表未明列 5 ms 及非整數邊界的歸類；後文將 fast／EX fast 合併表示為 ≤ 10 ms。此處不擅自修正原文。

相關因素。 圖 6 顯示部分因素的分布，對應左側縱軸。² 數值因素以 1 單位分箱，例如 1% 或 1 dBm。資料集包含多種因素，包括無線電與環境因素、協定參數等。結果呈現與 WiFi 延遲相關且值得關注的一部分數值。

例如，干擾功率中位數低於 -80 dBm；多數情況雜訊功率低於 -80 dBm；每個無線電介面裝置數的中位數低於 5；頻道、干擾及接收／傳送使用率的中位數分別低於 30%、5% 及 10%；裝置 RSSI 與 SNR 的中位數分別為 -66 dBm 及 29 dB；802.11n 是主要協定。

與 WiFi 延遲的關係。 為理解上述因素與延遲的定性關係，我們也繪出每個因素分箱後的值所對應的平均延遲，對應圖 6 右側縱軸。趨勢直觀證實，某些因素，例如頻道使用率，與 WiFi 延遲相關良好。

為量化這些關係，我們採用兩項常見衡量方式：Kendall 等級相關係數，以下簡稱 Kendall 分數，以及資訊增益（information gain）。兩者互補 [41]：Kendall 分數量化單調關係，也就是遞增或遞減；資訊增益則量化已知某因素後，可以多有效地預測延遲。

表 4 顯示數值型無線電因素的結果，依 Kendall 分數絕對值遞減排序。頻道使用率最重要，在兩項衡量方式中皆排名第一。有趣的是，某些因素的兩種結果可能互相矛盾。例如 RSSI 的 Kendall 分數排名高，資訊增益卻很低，表示 RSSI 雖與延遲具有良好負相關，卻無助於預測。

這個反直覺結果的原因，是 96% 的 RSSI 值集中在 -85 至 -45 dBm；在此範圍，延遲不太隨 RSSI 改變。這些結果顯示 WiFi 延遲與多種其他因素的關係很複雜。第 4 節將說明如何系統化建模。

表 4：相關係數與資訊增益。

3.2 觀察

資料集提供充足材料研究 WiFi 延遲。我們提出三項重要觀察；第一項與量測環境有關，但具有代表性，其他兩項與協定實作有關。

5 GHz 的延遲較低。 清華校園 5 GHz 的平均 WiFi 延遲比 2.4 GHz 低 35%。此外，圖 5(a) 顯示 5 GHz 延遲分布較好。一個可能原因是，5 GHz 裝置數只有 2.4 GHz 的一半，因此 5 GHz 頻道使用率低很多（圖 5(b)）。此觀察與 [26] 一致。第 5.2 節將說明如何利用 5 GHz 改善 THU-WLAN 延遲。

圖 5：5 GHz 與 2.4 GHz 比較。 (a) WiFi 延遲；(b) 頻道使用率。兩圖縱軸皆為 CDF。

圖 6：因素分布及其與 WiFi 延遲的關係。 部分延遲尖峰，是相應因素值缺乏足夠延遲資料所致。左側縱軸 Fraction＝比例；右側縱軸 Latency＝延遲（ms）。圖例分別為類別因素的延遲、數值因素的延遲，以及因素值的比例。子圖：(a) 天線增益；(b) 雜訊功率；(c) 干擾功率；(d) 發射功率；(e) 裝置數；(f) 頻道使用率；(g) 干擾使用率；(h) 接收使用率；(i) 傳送使用率；(j) RSSI；(k) SNR；(l) 頻道編號；(m) 頻段；(n) 協定；(o) 一天中的時刻。

圖 7：RSSI 與頻道使用率的共同影響。 三軸分別為頻道使用率（%）、RSSI（dBm）及延遲（ms），色彩也表示延遲。

AP 選擇機制不足，且缺乏協作。 根據上述結果，我們意外發現，支援 2.4 GHz 及 5 GHz 的雙頻裝置數是只支援 2.4 GHz 的單頻裝置的 1.6 倍，而超過 50% 的雙頻裝置連在 2.4 GHz。自然會問：既然 5 GHz 延遲更低，雙頻裝置為何仍連在 2.4 GHz？

原因是裝置的 AP 選擇高度依賴 RSSI，而 5 GHz 訊號衰減更快，所以裝置偏向 2.4 GHz [26]。相較之下，RSSI 對 WiFi 延遲並不是非常重要：RSSI 良好不保證低延遲。例如圖 7 顯示，頻道使用率低時，RSSI 對延遲影響很小；使用率超過 50% 時，即使 RSSI 很高，例如 -50 dBm，也無法達成低延遲。

有趣的是，我們也發現 Cisco 等 AP 廠商提供機制，透過延遲 2.4 GHz 的探測回應，讓 5 GHz 更有吸引力，將雙頻裝置引導到 5 GHz [11]；THU-WLAN 也使用這種機制。然而量測顯示，裝置廠商並未與這種臨時性的機制良好協作，因為裝置仍可透過聆聽 AP 信標，發現其 2.4 GHz 頻段，導致 2.4 GHz 擁擠而 5 GHz 使用不足。

WiFi 晶片組並不相同。 表 5 列出資料集中裝置數超過 800 的主要 WiFi 晶片製造商之延遲，依平均值排序。我們注意到，這些製造商在尾部，也就是第 90 百分位，差異很大。有趣的是，除了無線電因素，裝置因素也可能影響 WiFi 延遲。

表 5：清華的主要 WiFi 晶片製造商。

4. 建模方法

前節量測顯示，多種因素影響 WiFi 延遲。本節說明 WiFiSeer 如何利用機器學習，為三項代表性應用建立更完整的模型；其他應用見第 6 節。

4.1 應用與挑戰

應用。 首先說明三項應用的模型需求：（a）應用 1 系統化理解無線電因素如何影響 EWLAN 延遲，也就是哪些因素組合有影響，以及如何影響；（b）應用 2 協助管理者定位高延遲的時間與地點，再辨識管理者可採取行動改善的潛在因素；（c）應用 3 根據容易取得的因素預測延遲，讓裝置連線到低延遲 AP。

三項應用都需要有效模型描述延遲與因素之間的關係，但需求差異很大（表 6）。首先，模型用途不同：前兩項需提供人類可讀的洞見，因此模型必須直觀且容易解釋，而不是黑箱；第三項則只需盡可能準確預測延遲。

其次，使用的因素不同：應用 1 關注無線電因素；應用 2 主要關注時間與空間等環境因素，因為它們提供排查的具體地點與時間。此外，由於 AP 選擇發生在連線之前，應用 3 不能使用建立連線之後才可取得的因素。

最後，關注的延遲範圍不同：應用 2 診斷高延遲，應用 3 尋找低延遲 AP，應用 1 兩者皆關注。因此，我們主張應為特定應用量身建立模型，而非建立單一統一模型。

挑戰。 WiFi 延遲建模有幾項挑戰。第一，延遲與相關因素關係複雜。如第 3.1 節所述，關係是非線性，甚至非單調。因此，假設線性或單調關係的簡單方法，例如線性迴歸，不太可能有效。

第二，各因素本來就互相相依。例如圖 8 顯示 SNR 與 RSSI 高度相關；圖 5(b) 顯示 2.4 GHz 和 5 GHz 頻道使用率差異很大。在這些微妙相依關係下，個別關係可能其實是多因素共同作用的結果。

最後，WiFi 延遲分布高度偏斜。例如圖 4 顯示高延遲罕見得多。為這種不平衡資料建立模型，經常會有偏差，例如忽略高延遲，因而較缺乏代表性 [38]。

圖 8：SNR 與 RSSI 之間的相依關係。 橫軸 RSSI（dBm），縱軸 SNR（dB）。

4.2 機器學習演算法

為解決上述挑戰，WiFiSeer 使用監督式機器學習建立延遲模型。整體而言，我們先將 WiFi 延遲分類（第 3.1 節），再建立分類模型，以相關因素的函數表示延遲。³ 模型可根據因素解釋或預測延遲。所有模型均以第 3 節資料集離線建立。

選擇演算法時必須謹慎。它們不只要處理複雜關係及相依性，還要符合不同應用需求（表 6）。我們先以常見演算法做初步實驗，包括 k 最近鄰（KNN）、支援向量機（SVM）、樸素貝氏、神經網路、決策樹及隨機森林，詳見 [13]。

我們使用這些演算法進行二元分類：slow／EX slow 為一類，fast／EX fast 為另一類。資料集採欠採樣（undersampling）處理類別不平衡 [38]，主要想法是隨機移除部分多數類資料，使類別平衡。我們以精確率－召回率曲線評估分類效果 [38]：

$\mathrm{Recall}=\frac{\text{回報的真陽性數}}{\text{所有真陽性數}}$

$\mathrm{Precision}=\frac{\text{回報的真陽性數}}{\text{所有回報為陽性的數量}}$

圖 9 顯示，在相同精確率下，隨機森林取得較高召回率，優於其他演算法。因此應用 3 的預測模型採隨機森林。此外，決策樹具有容易解釋且準確度尚可的獨特優點，所以應用 1、2 的描述模型使用決策樹。

圖 9：不同機器學習演算法的比較，縱軸從 0.5 起始。 橫軸 Recall＝召回率，縱軸 Precision＝精確率；曲線依次為隨機森林、決策樹、神經網路、樸素貝氏、KNN 及 SVM。

表 7 彙整各應用模型及設定。為選出適當參數，我們使用十折交叉驗證，選擇最能達成模型目標的設定。第 5 節說明模型及實際用途。

表 6：不同應用的 WiFi 延遲模型需求。

表 7：不同應用模型的設定與效能。

5. 應用

以第 4 節建立的三個模型為基礎，WiFiSeer 提供三項應用，分析並改善大型實際運作網路中的 WiFi 延遲。

5.1 應用 1：理解無線電因素

為理解 11 項無線電因素對延遲的影響，我們針對四種延遲類別建立決策樹（圖 10），設定見表 7 第二欄。這棵樹的準確率為 0.42，對多類別分類而言屬合理程度 [25]。圖 10 顯示，11 項因素中只有 4 項出現在樹中。

直觀而言，為更好分類資料，決策樹會將重要因素放在靠近根節點的位置，所以越靠近根節點的因素，其影響大於靠近葉節點或未出現的因素。尤其頻道使用率及裝置數位於樹的前三層，是描述 WiFi 延遲最重要的兩項無線電因素。SNR 及傳送使用率只在較低層分支發揮作用，例如頻道使用率 > 47.5% 且裝置數 ≤ 11.5 時。未出現在樹中的其他因素，相對較不重要。

決策樹也顯示因素影響延遲的閾值，量化描述典型無線問題容易出現的條件。主要發現如下。

第一，EX slow 類別只在頻道使用率 > 47.5% 時出現，EX fast 只在使用率 ≤ 47.5% 時出現。因此，可將高於 47.5% 視為高負載問題。決策樹指出，高負載是極慢延遲的關鍵原因；若希望達到極快延遲，就應避免高負載。47.5% 的閾值量化證實了過去的經驗法則：為確保良好 WiFi 效能，頻道使用率應保持低於 50% [5, 21]。

第二，即使頻道使用率很低，大量裝置仍可能影響延遲。例如最左邊的 slow 節點，其條件是頻道使用率 ≤ 22.5%，且裝置數 > 35.5。過去研究指出，原因是區域內的競爭問題：大量同時傳送的裝置提高資料碰撞機率與退避等待時間，並降低可達到的頻道使用率 [27, 40]。此外，每個裝置都需等待輪到自己才能接收 AP 資料；當 AP 連接許多裝置，等待時間就會變長。

第三，決策樹中的 SNR 節點分割點介於 21.5 至 25.5 dB，表示 SNR 低於 20 dB 屬偏低，可能影響延遲。具體而言，衰落與雜訊提高位元錯誤率，進而增加 MAC 層訊框重傳次數；也可能降低 PHY 速率，延長傳輸時間。兩者都會增加 WiFi 延遲。

上述觀察與樹模型描述了典型大型 EWLAN 中無線電因素如何影響延遲，能協助進一步評估協定與硬體設計的內在取捨。

圖 10：描述無線電因素對 WiFi 延遲影響的決策樹。 節點中標出主要類別的百分比。Channel utilization＝頻道使用率；#Devices＝裝置數；Transmit utilization＝傳送使用率；Heavy load＝高負載；Local contention＝區域內競爭；Fading and noise＝衰落與雜訊。EX fast、fast、slow、EX slow 分別為極快、快、慢、極慢。

5.2 應用 2：診斷高 WiFi 延遲

診斷高延遲時，我們採二元分類：EX slow 與非 EX slow，因為管理者，例如我們合作的管理者，更關注極慢情況。時間與地點在診斷中很重要，管理者需要知道何時何地容易發生高延遲，才能進一步處理，例如到現場排查。然而決策樹不保證這些因素一定出現，所以應用 2 採用兩階段方法。

首先，根據時間因素，一天中的時刻、星期，以及空間因素，建築物、建築物類型的組合分割資料。為提供較高層次結果，我們將一天分為六個有意義區間：上午 08:00–11:00、午餐 11:00–13:00、下午 13:00–17:00、晚餐 17:00–19:00、晚上 19:00–22:00，以及睡眠 22:00–08:00；星期則分為平日及週末。

「問題時間與地點」定義為符合以下條件的時空組合：（1）資料量超過總量 0.1%；（2）EX slow 百分比明顯偏高，至少為全域 EX slow 百分比的 1.5 倍 [41]。THU-WLAN 全域 EX slow 百分比約 10%（圖 4）。以此方式，我們在清華的 1,368 個時空組合中找出 92 個問題點。表 8 以 6Jiao，即清華最大的第六教學樓，展示例子。

表 8：第六教學樓的問題時間與地點範例。

接著，針對每個問題點，使用管理者可能採取行動來影響延遲的因素，建立一棵決策樹，共 92 棵。設定見表 7 第三欄。整體而言，這些樹的精確率及召回率中位數分別為 0.59、0.64。

決策樹將根節點到 EX slow 節點路徑上因素及其值的組合，辨識為一個「高 WiFi 延遲條件」。例如圖 11 是「第六教學樓－教室－平日－晚上」的決策樹。兩條粗線路徑表示的高延遲條件分別是「頻道使用率 > 66.5% 且裝置數 > 13.5」，以及「50.5% < 頻道使用率 ≤ 66.5% 且裝置數 > 41.5」。因此，管理者應將精力集中在調查及解決第六教學樓平日晚上之高負載與區域競爭問題。

圖 11：「第六教學樓－教室－平日－晚上」問題點的決策樹。 葉節點中的數值對表示：（該節點 EX slow 資料量／該節點資料量，該節點資料量／整棵樹資料量）。粗線代表兩個高延遲條件。not EX slow＝非極慢，其餘用語同圖 10。

表 9 展示高延遲條件的常見模式，也就是忽略條件中具體因素值後的模式。THU-WLAN 的高延遲條件中，高頻道使用率、大量裝置及高干擾功率是三項主導因素。

表 9：出現在超過五個問題時間與地點的高延遲條件模式。

實際解決方案。 為處理這些常見問題，我們實際部署兩項方案，最佳化 THU-WLAN 延遲。

第一，引導更多雙頻裝置連接 5 GHz，避開高延遲條件。5 GHz 裝置較少，頻道使用率較低（圖 5(b)），因此可提供較低延遲（圖 5(a)）。我們在原有雙頻 SSID「Tsinghua」之外，新增僅使用 5 GHz 的「Tsinghua-5G」，讓雙頻裝置使用者可手動選擇 5 GHz，解決預設頻段選擇偏向 2.4 GHz 的問題。連接「Tsinghua-5G」的裝置持續增加，2015 年 10 月底達 6,000 台。其平均延遲比原 SSID「Tsinghua」低 22%。

第二，提出高密度 AP 部署方案避開高延遲條件，並在第 31 號宿舍實施。具體而言，該宿舍一至四樓的 78 間房，每房住三名學生，且各部署一台 AP。如此大幅降低每個無線電介面的裝置數。每台 AP 的頻道與功率也經過妥善設計，減少 AP 間干擾；房內不提供 Ethernet 插孔，盡可能排除未經授權 AP 的干擾。

相較其他採一般部署的宿舍，例如第 17 號宿舍每房兩人、約十間房共用一台 AP，第 31 號宿舍 AP 的裝置較少、干擾較少、頻道使用率較低，因此延遲較低，見圖 12(a–d)。平均而言，高密度部署使 WiFi 延遲改善 36%。

圖 12：高密度部署 AP 的第 31 號宿舍，與一般部署的第 17 號宿舍比較。 子圖橫軸：(a) 裝置數；(b) 干擾使用率（%）；(c) 頻道使用率（%）；(d) 延遲（ms）。縱軸皆為 CDF。Dorm#17／Dorm#31＝第 17／31 號宿舍。

5.3 應用 3：選擇低延遲 AP

EWLAN 通常部署許多 AP，以改善 WiFi 可用性並支援裝置漫遊。因此使用者裝置通常可接收到附近多個 AP [43]；例如在 THU-WLAN，平均同時能接收到五個 AP。然而，決定連哪個 AP 才能取得低延遲很有挑戰，因為裝置與 Ping2 都無法在連線前量測該 AP 的 WiFi 延遲。

因此，需要根據建立連線前即可量測或取得的其他 WiFi 指標選擇，例如 RSSI 與頻道使用率。然而，這些指標與延遲的關係複雜（圖 6），預設依 RSSI 選擇 AP 不能保證低延遲（第 3.1 節）。

為此，WiFiSeer 提供以機器學習為基礎、以延遲為導向的 AP 選擇方式，稱為 AGE（Associating to Good Enterprise APs），協助裝置連接附近的低延遲 AP。AGE 透過我們開發的行動 App 控制 AP 連線，不需修改裝置作業系統、驅動程式或 AP 韌體，所以容易部署。AGE 已部署於 THU-WLAN，每天超過 1,000 台裝置使用；結果顯示可大幅減少延遲，詳見後文。

AGE 的設計。 圖 13 是 AGE 整體概觀。它包含兩項主要組件：裝置上的 AGE 輔助 App，負責連接選定 AP；AGE 控制器則使用模型 3，即隨機森林，根據 SNMP 中現有的 WiFi 因素，預測裝置附近 AP 的延遲。

模型 3 使用歷史資料離線建立，見表 7 最後一欄；精確率與召回率分別為 0.76、0.67。注意，為避免裝置電池負擔，AGE 不使用 Ping2 量測裝置延遲。WiFiSeer 只將 Ping2 用於不頻繁的歷史資料收集，不用於 AGE 線上預測。

圖 13：AGE 概觀。 AGE App 傳送包含 AP 清單的請求；控制器從 SNMP 取得各 AP 的 AGE 因素，由模型 3 預測每個 AP 的延遲類別，再回傳指定 AP，亦可能為 Null。若回傳非 Null，裝置重新連接指定 AP。User Device＝使用者裝置；Server＝伺服器。

具體流程如下：

步驟 1： 裝置連接 EWLAN 時，AGE App 定期⁴ 向控制器傳送請求，其中附上掃描到的附近 AP 清單。

步驟 2： 控制器從 SNMP 資料取得清單中各 AP 的相關因素，見表 2 最後一欄，以下稱 AGE 因素。

步驟 3 與 4： 模型 3 根據 AGE 因素，產生 AP 屬於 fast／EX fast 或 slow／EX slow 的可能性。某類別的可能性高於 0.6 時，就歸入該類；否則列為 not sure（不確定）。採用 0.6 閾值，是因為離線十折交叉驗證顯示它最能達成模型 3 目標，見表 7。

步驟 5： 根據分類結果，控制器決定是否讓裝置離開目前 AP，重新連接其他 AP。若目前 AP 預測為 slow／EX slow，且附近至少一個 AP 預測為 fast／EX fast，就回傳 fast／EX fast 可能性最高的 AP；否則回傳 Null。

步驟 6： 若回傳非 Null，App 修改裝置 WiFi 設定，例如使用 Android API [8]，將裝置重新連接指定 AP。

AGE 大規模部署。 我們將 AGE App 實作為 Android 版 TUNet⁵ 的一個組件，如圖 15。AGE 自動在背景執行，使用者無需手動啟動。自 2015 年 9 月以來，1,165 台裝置安裝 AGE，並使用 2.5 個月。

為評估 AGE，我們用 Ping2 量測這些裝置的延遲。這項量測僅用於評估，不是 AGE 設計的一部分。圖 14 顯示重新連線的效能，即裝置連接 AGE 建議 AP 前後一分鐘的延遲。AGE 明顯降低平均延遲及第 90 百分位。

以圖 14(a–d) 的平均延遲為例：92% 的重新連線降低延遲，即圖 14(a) 實線下方的綠色區域；fast／EX fast（≤ 10 ms）比例由連線前 47% 提升到之後 93%（圖 14(b)）；連線後，50% 的延遲減少超過 7.5 ms，10% 減少超過 51 ms（圖 14(c)）；以相對幅度來看，72% 的延遲減少超過一半（圖 14(d)）。第 90 百分位的結果類似，見圖 14(e–h)。

圖 14：AGE 重新連線前（B）與後（A）的 WiFi 延遲比較。 (a–d) 平均延遲；(e–h) 第 90 百分位延遲。(a)、(e) 的橫軸是依 B 排序的重新連線累積比例，縱軸為延遲（ms）；(b)、(f) 顯示連線前後延遲 CDF；(c)、(g) 顯示絕對差 B−A（ms）的 CDF；(d)、(h) 顯示比值 A/B 的 CDF。

圖 15：將 AGE App 作為組件的 TUNet。 畫面中 Intelligent AP Selection＝智慧 AP 選擇；下方說明表示將連接低延遲 AP。

大規模真實部署顯示，AGE 選擇低延遲 AP 的效果遠勝裝置預設機制，因此它為改善 EWLAN 的 WiFi 延遲提供一套有前景的框架。

6. 討論

WiFiSeer 的通用性。 一般實際運作 EWLAN 的管理者可輕易採用 WiFiSeer。量測部分只使用傳統 SNMP 資料及輕量 Ping2，兩者都是適用於 EWLAN 的通用方法。此外，WiFiSeer 不需要持續執行資料收集。在建模與三項應用中，它使用廣泛採用的機器學習演算法，這些演算法以通用及能處理多樣資料聞名。三項應用彼此獨立，可依需求分別執行。

其他 WiFi 延遲相關應用。 WiFiSeer 的機器學習方法也可用於其他應用。例如最佳化 EWLAN 時，由於不知道不同措施如何影響效能，管理者很難判斷某個措施是否有效，也就是難以事先估計它對網路效能的影響。WiFiSeer 可提供預測模型，協助估計不同措施帶來的效能改善。

管理者可根據運作經驗，大略估計某項措施對無線電因素的影響，例如在用戶端集中區域新增 AP，可能使鄰近 AP 裝置數減少 20%。使用模型，就能在實際採取措施前預測潛在延遲改善。因此，建模方法也可協助管理者平衡成本與效益。

AGE 的潛在改善。 部署時我們注意到，有些裝置與 AGE App 協作不佳。即使 AGE 建議重新連線，部分裝置可能不授權 App 執行；另一些可能在 AGE 重新連線後又回到原 AP，因為預設選台演算法與 AGE 衝突。這顯示，若能在裝置硬體、作業系統或協定層實作 AGE，還可能帶來更多效益，詳見下一段。

未來整合 802.11k/v。 AGE 真實部署（第 5.3 節）顯示，EWLAN 使用者可獲得好得多的延遲體驗。AGE 策略可成為傳統 802.11k/v 協定的重要補充；這些協定用來協助裝置漫遊時選擇 AP。

目前 802.11k/v 實作只提供 AP 與裝置交換部分資料的方法，例如頻道負載、鄰居報告及鏈路量測，卻將 AP 選擇留給使用者裝置。但如第 4.1 節詳述，此任務有挑戰。可將 AGE 整合進 802.11k/v，系統化解決問題，讓未來的 802.11k/v 更智慧。對不支援 802.11k/v 的舊有 EWLAN 和裝置而言，我們在應用層的嘗試仍是一種可行的延遲最佳化方式。

延遲之外的 WiFi 效能指標。 不同行動應用通常對不同指標敏感，例如本研究的延遲、吞吐量，或兩者。同時，對延遲有利的條件可能與對吞吐量有利的條件衝突。因此，一個有前景的 AGE 延伸方向，是不只建立延遲預測模型，也建立吞吐量甚至應用層指標模型，例如網頁載入時間。

如此，AGE 可根據使用者偏好，選擇所有指標都合理的 AP，或對目前使用的應用效能最佳的 AP，例如線上影片需要高吞吐量。我們將在未來研究探索這個方向。

7. 相關研究

WiFi 量測。 分析封包追蹤紀錄是監測無線網路的高成本方法。像 WiSe [46]、PIE [51] 那樣修改企業 AP 硬體，以擷取及記錄無線訊框追蹤資料，很困難。Jigsaw [32]、Wit [44] 所需的額外硬體，例如嗅探器，也不適合大規模量測。Meraki [26] 使用具備專用無線電硬體的客製 AP，例如 Meraki MR18，大規模監測無線鏈路。相較之下，WiFiSeer 框架中的 Ping2 及傳統 SNMP 負擔低，可部署在大型 EWLAN。

建模。 過去有研究在不同領域為關鍵效能指標建模，例如影片體驗品質（QoE）[25, 41, 50] 及網頁 QoE [24]。它們也用決策樹等機器學習演算法描述複雜關係。然而，機器學習基本組件不能一次設定就適用所有情境。本文探討如何為三項不同應用調整模型（第 4 節）。

AP 選擇。 選擇 AP 有很多方法。目前多數裝置只使用部分可取得資訊，根據簡單的無線效能假設做選擇。優先連接 RSSI 較強 AP 是常見做法 [55]，但較強訊號不保證較好效能 [42]。部分實作除 RSSI 外，也使用更多歷史資訊或主動量測的用戶端資訊 [3, 45]。然而讓使用者裝置獨自測試附近每個 AP，耗時、耗電，有時也造成困擾 [1]。

有些方法讓 EWLAN 與用戶端交換無線環境資訊，具體而言是 802.11k/v 標準 [22, 23] 的實作。例如 Cisco 企業 AP 可向支援 802.11k 的 iOS 裝置 [20] 傳送鄰近 AP 報告，此報告由 802.11k 定義，Cisco 稱為「AP assisted roaming」[2]。這能加速掃描、減少耗電並有效使用空中傳輸時間。然而，目前交換資訊既不包含 WiFi 延遲的直接量測，也未提供足夠知識，讓支援 802.11k/v 的裝置真正選出效能最佳 AP。

此外，一些研究 [30, 34, 43] 嘗試讓使用者裝置同時連接多個 AP。這需要裝置有不只一張實體 WiFi 網卡，或支援虛擬介面。即使如此，仍需判斷附近哪些 AP 效能更好。WiFiSeer 提供 WiFi 效能建模與預測的方法，可補充這些方案。

8. 結論

本文提出 WiFiSeer，一套通用且實用的框架，用於量測與描述大型實際運作 EWLAN 的 WiFi 延遲。我們在清華部署 WiFiSeer，進行規模空前的量測研究。機器學習分析結果為網路管理者及 802.11 協定設計者提供重要洞見。

在通常被懷疑造成 WiFi 延遲不佳的因素中，高流量負載、區域競爭、雜訊與衰落，以及干擾，確實被量化證實為主要原因；經常用於 AP 選擇的 RSSI 則不是。機器學習建模揭露各種因素對真實 WiFi 延遲複雜但可量化的影響，這些結果很難透過理論分析或模擬取得。依照 WiFiSeer 建議部署的兩項緩解措施帶來實際效能提升，凸顯以資料驅動方式重新設計實際網路的潛力。

結果也顯示，既有 AP 選擇機制不足。AP 及作業系統廠商的臨時性方案彼此不協作，導致可用資源利用不佳，例如擁擠的 2.4 GHz 與使用不足的 5 GHz。廣泛部署的 AGE 用戶端透過適應性地將裝置重新連接效能較好的 AP，大幅緩解清華校園問題。

受到結果鼓舞，我們主張協定設計者、作業系統廠商、AP 廠商與研究者應共同推動 802.11k/v 部署，並改善 WiFiSeer 等方法，產生更好的資料驅動智慧，來引導 802.11k/v 協定。

致謝

感謝論文指導審查者（shepherd）Kamin Whitehouse 及匿名審查者，提供詳盡評論與寶貴回饋。感謝 Lab µ 在 TUNet 開發上的投入，並允許我們將 AGE 實作為其中一個組件。感謝 Weichao Li、Fan Ye、Hewu Li、Chunyi Peng 的有用建議，以及 Yousef Azzabi 的校對。

本研究部分經費由下列計畫支持：中國國家自然科學基金重點計畫，編號 61233007；中國國家自然科學基金（NSFC），編號 61472214、61472210、61033001、61361136003；中國國家高技術研究發展計畫（863 計畫），編號 2013AA013302；中國國家重點基礎研究發展計畫（973 計畫），編號 2013CB329105、2011CBA00300、2011CBA00301；清華資訊科學與技術國家實驗室重點計畫；全球人才招募青年計畫；以及中國科學院科技創新跨學科合作團隊計畫中的「智慧電網安全監控與資訊互動之網路及系統技術」。

原文出版與著作權聲明

允許為個人或課堂使用而製作本作品全部或部分的數位或紙本副本，無需付費，條件是副本不得為營利或商業利益而製作或散布，且首頁必須附上本聲明與完整引用。作品中非 ACM 所有部分的著作權必須受到尊重。註明出處的摘要引用是被允許的。其他複製、重新出版、上傳伺服器或向名單散布，須事先取得特定許可及／或付費。許可申請請洽 permissions@acm.org。

MobiSys ’16，2016 年 6 月 25 至 30 日，新加坡。© 2016 ACM。ISBN 978-1-4503-4269-8/16/06…$15.00。DOI：http://dx.doi.org/10.1145/2906388.2906393。

參考文獻

以下保留原文編號。每項先列中文題名，再保留原始書目，便於查找作者、出版單位、會議、頁碼與網址。網站存取日期依原文記載；原文不完整的書目亦照錄，不補造資訊。

[1] 802.11 連線建立流程說明。

802.11 association process explained. https://documentation.meraki.com/MR/WiFi_Basics_and_Best_Practices/802.11_Association_process_explained.

[2] 802.11r、802.11k 與 802.11w 部署指南，Cisco IOS-XE 3.3：802.11k 輔助漫遊。

802.11r, 802.11k, and 802.11w deployment guide, cisco ios-xe release 3.3: 802.11k assisted roaming. http://www.cisco.com/c/en/us/td/docs/wireless/controller/technotes/5700/software/release/ios_xe_33/11rkw_DeploymentGuide/b_802point11rkw_deployment_guide_cisco_ios_xe_release33/b_802point11rkw_deployment_guide_cisco_ios_xe_release33_chapter_010.html.

[3] Android 框架類別與服務。

Android framework classes and services. https://android.googlesource.com/platform/frameworks/base/. 存取日期： 2015-01-23.

[4] Cisco SNMP。

Cisco snmp. http://tools.cisco.com/Support/SNMP/do/BrowseOID.do.

[5] 語音系統設計／技術工具。

Designing for voice / tech tools. http://wirelesslanprofessionals.com/wlw-010-designing-for-voice-tech-tools/.

[6] Edimax WiFi 網路卡未使用時似乎會進入休眠。

Edimax wifi adapter seems to go to sleep if not used. https://www.raspberrypi.org/forums/viewtopic.php?t=61665.

[7] Edison WiFi 延遲與省電。

Edison wifi delay and power saving. https://communities.intel.com/message/255890.

[8] Android WifiManager 的 enableNetwork。

enablenetwork of wifimanager in android. http://developer.android.com/reference/android/net/wifi/WifiManager.html#enableNetwork(int,boolean). 存取日期： 2015-09-22.

[9] 企業無線區域網路市場。

Ewlan market. http://www.delloro.com/news/enterprise-wireless-lan-market-to-expand-70-percent-by-2018.

[10] 企業無線區域網路概觀。

Ewlan overview. http://www.cisco.com/c/en/us/td/docs/solutions/Enterprise/Mobility/emob41dg/emob41dg-wrapper/ch1_Over.html.

[11] Cisco 無線區域網路控制器的負載平衡與頻段選擇。

Load balancing and band select on the cisco wireless lan controller. https://supportforums.cisco.com/document/81896/load-balancing-and-band-select-cisco-wireless-lan-controller.

[12] OpenWrt。

Openwrt. https://openwrt.org/.

[13] Orange。

Orange. http://docs.orange.biolab.si/reference/rst/index.html.

[14] 2013 年末 MacBook Pro 在 Mavericks 上的 ping，相較 Windows 較慢且變動較大。

Ping on mavericks on late 2013 macbook pro slow and variable compared to windows. http://apple.stackexchange.com/questions/110777/ping-on-mavericks-on-late-2013-macbook-pro-slow-and-variable-compared-to-windows.

[15] 往返時間很重要。

Round-trip time is important. https://marketo-web.thousandeyes.com/rs/thousandeyes/images/ThousandEyes_Use_Case_Enterprise_and_IT_Operations.pdf.

[16] Raspberry Pi 上緩慢的 ping。

Slow ping on raspberry pi. http://procrastinative.ninja/2014/11/19/slow-ping-on-raspberry-pi/.

[17] Speedtest。

Speed test. http://www.speedtest.net/.

[18] TUNet。

Tunet. http://netman.cs.tsinghua.edu.cn/wp-content/uploads/2016/04/TUNet-Android-v3.2.4.apk_.zip.

[19] 應用程式速度與效能對您有何商業價值？

What is the business value of application speed and performance to you? https://s3.amazonaws.com/cisco-partnerpedia-production/product_files/78904/original/Speed_Matters.pdf.

[20] 在 iOS 上使用 802.11k、802.11r 與 802.11v 進行 WiFi 網路漫遊。

Wi-fi network roaming with 802.11k, 802.11r, and 802.11v on ios. https://support.apple.com/en-us/HT202628.

[21] WiFi 提示：頻道使用率最佳實務。

Wi-fi tip: Channel utilization best practice. http://www.revolutionwifi.net/revolutionwifi/2010/08/wi-fi-tip-channel-utilization-best.html.

[22] IEEE 資訊技術標準：區域與都會網路之特定要求，第 11 部分：無線區域網路媒體存取控制（MAC）與實體層（PHY）規範，修正案 1：無線區域網路的無線電資源量測。

Ieee standard for information technology– local and metropolitan area networks– specific requirements– part 11: Wireless lan medium access control (mac)and physical layer (phy) specifications amendment 1: Radio resource measurement of wireless lans. IEEE Std 802.11k-2008 (Amendment to IEEE Std 802.11-2007) (June 2008), 1–244.

[23] IEEE 資訊技術標準：區域與都會網路之特定要求，第 11 部分：無線區域網路媒體存取控制（MAC）與實體層（PHY）規範，修正案 8：IEEE 802.11 無線網路管理。

Ieee standard for information technology– local and metropolitan area networks– specific requirements– part 11: Wireless lan medium access control (mac) and physical layer (phy) specifications amendment 8: Ieee 802.11 wireless network management. IEEE Std 802.11v-2011 (Amendment to IEEE Std 802.11-2007 as amended by IEEE Std 802.11k-2008, IEEE Std 802.11r-2008, IEEE Std 802.11y-2008, IEEE Std 802.11w-2009, IEEE Std 802.11n-2009, IEEE Std 802.11p-2010, and IEEE Std 802.11z-2010) (Feb 2011), 1–433.

[24] 建立行動通訊網路上的網頁體驗品質模型。

BALACHANDRAN, A., AGGARWAL, V., HALEPOVIC, E., PANG, J., SESHAN, S., VENKATARAMAN, S., AND YAN, H. Modeling web quality-of-experience on cellular networks. In MoBicom 2014.

[25] 建立網際網路影片體驗品質的預測模型。

BALACHANDRAN, A., SEKAR, V., AKELLA, A., SESHAN, S., STOICA, I., AND ZHANG, H. Developing a predictive model of quality of experience for internet video. In ACM SIGCOMM Computer Communication Review (2013), vol. 43, ACM, pp. 339–350.

[26] 無線網路行為的大規模量測。

BISWAS, S., BICKET, J., WONG, E., MUSALOIU-E, R., BHARTIA, A., AND AGUAYO, D. Large-scale measurements of wireless network behavior. In Proceedings of the 2015 ACM Conference on Special Interest Group on Data Communication (2015), ACM, pp. 153–165.

[27] IEEE 802.11 無線區域網路之漸近最佳退避演算法的設計與效能評估。

BONONI, L., CONTI, M., AND GREGORI, E. Design and performance evaluation of an asymptotically optimal backoff algorithm for ieee 802.11 wireless lans. In System Sciences, 2000. Proceedings of the 33rd Annual Hawaii International Conference on (2000), IEEE, pp. 10–pp.

[28] 時間延遲對合奏準確度的影響。

CHAFE, C., GUREVICH, M., LESLIE, G., AND TYAN, S. Effect of time delay on ensemble accuracy. In Proceedings of the International Symposium on Musical Acoustics (2004), vol. 31.

[29] WiFi 電話：無線區域網路語音通訊的挑戰與解決方案。

CHANDRA, P., AND LIDE, D. Wi-Fi Telephony: Challenges and solutions for voice over WLANs. Newnes, 2011.

[30] MultiNet：使用單一無線網卡連接多個 IEEE 802.11 網路。

CHANDRA, R., BAHL, P., AND BAHL, P. Multinet: connecting to multiple ieee 802.11 networks using a single wireless card. In INFOCOM 2004. Twenty-third AnnualJoint Conference of the IEEE Computer and Communications Societies (March 2004), vol. 2, pp. 882–893 vol.2.

[31] Shaman 自動化 802.11 無線診斷系統。

CHENG, Y.-C., AFANASYEV, M., VERKAIK, P., BENKO, P., CHIANG, J., SNOEREN, A. C., SAVAGE, S., AND VOELKER, G. M. Shaman automatic 802.11 wireless diagnosis system.

[32] Jigsaw：解開企業 802.11 分析之謎。

CHENG, Y.-C., BELLARDO, J., BENKÖ, P., SNOEREN, A. C., VOELKER, G. M., AND SAVAGE, S. Jigsaw: solving the puzzle of enterprise 802.11 analysis, vol. 36. ACM, 2006.

[33] 延遲足以致命：線上遊戲中的精確度與截止時間。

CLAYPOOL, M., AND CLAYPOOL, K. Latency can kill: precision and deadline in online games. In Proceedings of the first annual ACM SIGMM conference on Multimedia systems (2010), ACM, pp. 215–222.

[34] 邁向不需要快速交遞的 WiFi 行動性。

CROITORU, A., NICULESCU, D., AND RAICIU, C. Towards wifi mobility without fast handover. Usenix NSDI.

[35] 利用代理充分發揮省電模式（PSM）的潛力。

DING, N., PATHAK, A., KOUTSONIKOLAS, D., SHEPARD, C., HU, Y. C., AND ZHONG, L. Realizing the full potential of psm using proxying. In INFOCOM, 2012 Proceedings IEEE (2012), IEEE, pp. 2821–2825.

[36] 分析並建模無線訊號強度對智慧型手機電池耗電的影響。

DING, N., WAGNER, D., CHEN, X., PATHAK, A., HU, Y. C., AND RICE, A. Characterizing and modeling the impact of wireless signal strength on smartphone battery drain. In Proceedings of the ACM SIGMETRICS/International Conference on Measurement and Modeling of Computer Systems (New York, NY, USA, 2013), SIGMETRICS ’13, ACM, pp. 29–40.

[37] 高效能瀏覽器網路技術：每位網頁開發者都應知道的網路與網頁效能知識。

GRIGORIK, I. High Performance Browser Networking: What every web developer should know about networking and web performance. ” O’Reilly Media, Inc.”, 2013.

[38] 從不平衡資料中學習。

HE, H., GARCIA, E., ET AL. Learning from imbalanced data. Knowledge and Data Engineering, IEEE Transactions on 21, 9 (2009), 1263–1284.

[39] MobiPerf：行動網路量測系統。

HUANG, J., CHEN, C., PEI, Y., WANG, Z., QIAN, Z., QIAN, F., TIWANA, B., XU, Q., MAO, Z., ZHANG, M., ET AL. Mobiperf: Mobile network measurement system. Tech. rep., Technical report, Technical report, Technical report). University of Michigan and Microsoft Research, 2011.

[40] 喧囂中的語音：以碰撞容忍能力改善無線頻道使用率。

JI, X., HE, Y., WANG, J., WU, K., YI, K., AND LIU, Y. Voice over the dins: improving wireless channel utilization with collision tolerance. In Network Protocols (ICNP), 2013 21st IEEE International Conference on (2013), IEEE, pp. 1–10.

[41] 揭露真實環境中網際網路影片品質問題的結構。

JIANG, J., SEKAR, V., STOICA, I., AND ZHANG, H. Shedding light on the structure of internet video quality problems in the wild. In Proceedings of the Ninth ACM Conference on Emerging Networking Experiments and Technologies (New York, NY, USA, 2013), CoNEXT ’13, ACM, pp. 357–368.

[42] 修正 802.11 存取點選擇。

JUDD, G., AND STEENKISTE, P. Fixing 802. 11 access point selection. ACM SIGCOMM Computer Communication Review 32, 3 (2002), 31–31.

[43] DiversiFi：穩健的多鏈路互動式串流。

KATEJA, R., BARANASURIYA, N., NAVDA, V., AND PADMANABHAN, V. N. Diversifi: Robust multi-link interactive streaming. CoNEXT.

[44] 分析真實環境中無線網路的 MAC 層行為。

MAHAJAN, R., RODRIG, M., WETHERALL, D., AND ZAHORJAN, J. Analyzing the mac-level behavior of wireless networks in the wild. In ACM SIGCOMM Computer Communication Review (2006), vol. 36, ACM, pp. 75–86.

[45] 改善存取點選擇。

NICHOLSON, A. J., CHAWATHE, Y., CHEN, M. Y., NOBLE, B. D., AND WETHERALL, D. Improved access point selection. In Proceedings of the 4th international conference on Mobile systems, applications and services (2006), ACM, pp. 233–245.

[46] 透過 WiFi AP 觀察家用無線網路體驗。

PATRO, A., GOVINDAN, S., AND BANERJEE, S. Observing home wireless experience through wifi aps. In Proceedings of the 19th annual international conference on Mobile computing & networking (MobiCom 2013), ACM, pp. 339–350.

[47] WiFi 網路干擾的被動量測及其在不當行為偵測上的應用。

PAUL, U., KASHYAP, A., MAHESHWARI, R., AND DAS, S. R. Passive measurement of interference in wifi networks with application in misbehavior detection. Mobile Computing, IEEE Transactions on 12, 3 (2013), 434–446.

[48] 全有或全無？智慧型手機暫停模式中處理 WiFi 廣播流量的兩難。

PENG, G., ZHOU, G., NGUYEN, D. T., AND QI, X. All or none? the dilemma of handling wifi broadcast traffic in smartphone suspend mode. Power (mW) 300, 400, 500.

[49] 行動應用程式中的週期性傳輸：全網路來源、影響與最佳化。

QIAN, F., WANG, Z., GAO, Y., HUANG, J., GERBER, A., MAO, Z., SEN, S., AND SPATSCHECK, O. Periodic transfers in mobile applications: network-wide origin, impact, and optimization. In Proceedings of the 21st international conference on World Wide Web (2012), ACM, pp. 51–60.

[50] 理解網路動態對行動影片使用者參與程度的影響。

SHAFIQ, M. Z., ERMAN, J., JI, L., LIU, A. X., PANG, J., AND WANG, J. Understanding the impact of network dynamics on mobile video user engagement. In The 2014 ACM international conference on Measurement and modeling of computer systems (2014), ACM, pp. 367–379.

[51] PIE in the Sky：企業無線區域網路的線上被動干擾估計。

SHRIVASTAVA, V., RAYANCHU, S. K., BANERJEE, S., AND PAPAGIANNAKI, K. Pie in the sky: Online passive interference estimation for enterprise wlans. In NSDI (2011), vol. 11, p. 20.

[52] 未經授權 AP 對企業 802.11 網路效能的影響有多嚴重？

SUI, K., ZHAO, Y., PEI, D., AND ZIMU, L. How bad are the rogues’ impact on enterprise 802.11 network performance? In Computer Communications (INFOCOM), 2015 IEEE Conference on (April 2015), pp. 361–369.

[53] 量測並緩解寬頻接取網路中的網頁效能瓶頸。

SUNDARESAN, S., FEAMSTER, N., TEIXEIRA, R., MAGHAREI, N., ET AL. Measuring and mitigating web performance bottlenecks in broadband access networks. In ACM Internet Measurement Conference (2013).

[54] SPDY 究竟有多快？

WANG, X. S., BALASUBRAMANIAN, A., KRISHNAMURTHY, A., AND WETHERALL, D. How speedy is spdy. In NSDI (2014), pp. 387–399.

[55] 設計實用的存取點連線協定。

XU, F., TAN, C. C., LI, Q., YAN, G., AND WU, J. Designing a practical access point association protocol. In INFOCOM, 2010 Proceedings IEEE (2010), IEEE, pp. 1–9.