Cookies
O website necessita de alguns cookies e outros recursos semelhantes para funcionar. Caso o permita, o INESC TEC irá utilizar cookies para recolher dados sobre as suas visitas, contribuindo, assim, para estatísticas agregadas que permitem melhorar o nosso serviço. Ver mais
Aceitar Rejeitar
  • Menu
Sobre

Sobre

Rúben Queirós concluiu em 2020 o Mestrado em Engenharia Electrotécnica e de Computadores na Faculdade de Engenharia da Universidade do Porto, Portugal. Atualmente é doutorando no Programa Doutoral de Engenharia Eletrotécnica e de Computadores, na mesma instituição. É Investigador Auxiliar no INESC TEC desde 2020, na área de Redes Sem Fios (WiN). Participou no projeto SMART open call e no projeto de investigação da UE InterConnect. Os seus interesses de investigação incluem Wi-Fi, Adaptação de Débito, Reinforcement Learning e Redes Voadoras.

Tópicos
de interesse
Detalhes

Detalhes

  • Nome

    Rúben Miguel Queirós
  • Cargo

    Assistente de Investigação
  • Desde

    21 fevereiro 2020
001
Publicações

2023

On the Analysis of Computational Delays in Reinforcement Learning-based Rate Adaptation Algorithms

Autores
Trancoso, R; Queirós, R; Fontes, H; Campos, R;

Publicação
CoRR

Abstract

2023

Rate Adaptation Aware Positioning for Flying Gateways using Reinforcement Learning

Autores
Pantaleão, G; Queirós, R; Fontes, H; Campos, R;

Publicação
CoRR

Abstract

2023

RateRL: A Framework for Developing RL-Based Rate Adaptation Algorithms in ns-3

Autores
Queirós, R; Ferreira, L; Fontes, H; Campos, R;

Publicação
CoRR

Abstract

2023

Trajectory-Aware Rate Adaptation for Flying Networks

Autores
Queirós, R; Ruela, J; Fontes, H; Campos, R;

Publicação
CoRR

Abstract

2022

Wi-Fi Rate Adaptation using a Simple Deep Reinforcement Learning Approach

Autores
Queiros, R; Almeida, EN; Fontes, H; Ruela, J; Campos, R;

Publicação
2022 27TH IEEE SYMPOSIUM ON COMPUTERS AND COMMUNICATIONS (IEEE ISCC 2022)

Abstract
The increasing complexity of recent Wi-Fi amendments is making optimal Rate Adaptation (RA) a challenge. The use of classic algorithms or heuristic models to address RA is becoming unfeasible due to the large combination of configuration parameters along with the variability of the wireless channel. We propose a simple Deep Reinforcement Learning approach for the automatic RA in Wi-Fi networks, named Data-driven Algorithm for Rate Adaptation (DARA). DARA is standard-compliant. It dynamically adjusts the Wi-Fi Modulation and Coding Scheme (MCS) solely based on the observation of the Signal-to-Noise Ratio (SNR) of the received frames at the transmitter. Our simulation results show that DARA achieves higher throughput when compared with Minstrel High Throughput (HT)

Teses
supervisionadas

2022

Analysis and Optimisation of Computational Delays in Reinforcement Learning-based Wi-Fi Rate Adaptation

Autor
Ricardo Jorge Espirito Santo Trancoso

Instituição
UP-FEUP

2022

Using Deep Reinforcement Learning Techniques to Optimize the Throughput of Wi-Fi Links

Autor
Héber Miguel Severino Ribeiro

Instituição
UP-FEUP

2022

Rate Adaptation Algorithm using Reinforcement Learning for Delay Minimisation in a Wi-Fi Link

Autor
José Manuel de Sousa Magalhães

Instituição
UP-FEUP

2022

Utilização de Reinforcement Learning para otimização de ligações Wi-Fi no contexto de redes voadoras

Autor
Gabriella Fernandes Pantaleão

Instituição
UP-FEUP

2022

On the Performance Impact of Computational Delays of RL-Based Networking Algorithms through Improved ns-3 Digital Twins

Autor
João Paulo Ferreira Pinto

Instituição
UP-FEUP