Navegando por Assunto "Mobile networks"

Agora exibindo 1 - 5 de 5

Acesso aberto (Open Access)
Estratégia de planejamento e otimização do handover em redes móveis densificadas
(Universidade Federal do Pará, 2018-06-29) SILVA, Ketyllen da Costa; ARAÚJO, Jasmine Priscyla Leite de; FRANCÊS, Carlos Renato Lisboa; http://lattes.cnpq.br/7458287841862567
O crescente aumento no uso de dispositivos e aplicações móveis nos últimos anos, tem levado a uma sobrecarga da infraestrutura da rede responsável pelo escoamento desse tráfego, afetando tanto o desempenho da rede quanto a experiência do usuário. As redes móveis heterogêneas já são realidade e sua densificação tem sido apontada como uma das soluções propostas para atendimento das demandas esperadas para as redes celulares de quinta geração (5G). Nas redes atuais, no entanto, ainda é comum o uso de parâmetros fixos na configuração da rede, mas esta estratégia nem sempre se mostra eficiente. É dentro deste contexto que se consolida o conceito de redes auto organizáveis nas quais os vários parâmetros da rede são ajustados automaticamente com base em medições em tempo real e sistemas inteligentes. Esta tese apresenta uma estratégia para otimização de handover em redes LTE com densa implantação de small cells. Com base em medições e lógica fuzzy são propostos algoritmos para o auto ajuste de parâmetros da rede. A partir de simulação discreta utilizando o MATLAB, os resultados são obtidos e apresentados através das principais métricas de avalição de desempenho de handover.
Acesso aberto (Open Access)
Intent-based radio resource scheduling in ran slicing scenarios using reinforcement learning
(Universidade Federal do Pará, 2024-11-04) NAHUM, Cleverson Veloso; KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha; http://lattes.cnpq.br/1596629769697284
O fatiamento da rede móvel no domínio da rede de acesso requer elasticidade, compartilhamento de recursos de forma eficiente e customização para lidar com a escassez e limitação dos recursos de rádio enquanto cumpre as intenões das fatias de rede definidas em um contrato de nível de servico. Nesse cenário, o alocador de recursos de rádio é essencial para prover a administração de recursos a fim de prevenir as violações de intenções de rede, e consequentemente oferecer recursos de rádio suficientes para as fatias de rede de acesso cumprirem seus objetivos. A grande variedade de cenaários suportados nas redes 5G e pós-5G torna o problema da alocação de recursos de rádio em cenários de fatiamento da rede de acesso ainda mais desafiador. Essa tese propõe investigar um alocador de recursos de rádio baseado nas intenções das fatias de rede de acesso, utilizando aprendizado por reforço para cumprir as intenções de rede. O método proposto tem por objetivo prevenir as violações de intenções de rede através da administração de recursos de rádio disponíveis entre as fatias de rede de acesso e usuários usando um alocador de recursos de rádio entre as fatias de rede e outro para os usuários dentro da fatia de rede. Esta tese também descreve uma estrutura para priorização de fatias de rede para assegurar os requisitos definidos nas intenções de rede para as fatias mais importantes quando os recursos de rádio não são suficientes para garantir todas as intenções de rede requisitadas. Esta tese apresenta os resultados obtidos usando um alocador de recursos de rádio baseado nas intenções das fatias de rede de acesso, utilizando aprendizado por reforco para um número fixo de fatias de rede e também para múltiplos cenários de rede para evitar violações de intenções de rede, e demonstra a importância de um alocador de recursos de rádio baseado nas intenções das fatias de rede em cenário com fatiamento da rede de acesso. O método proposto apresentou melhor desempenho em comparação aos métodos da literatura avaliados tanto na proteção de slices prioritários quanto na minimização do número total de violações.
Acesso aberto (Open Access)
Mitigating concept drifts in proactive mobile core scaling via online learning models
(Universidade Federal do Pará, 2025-07-28) FERREIRA, Abrahão Leite; BOTH, Cristiano Bonato; http://lattes.cnpq.br/2658002010026792; https://orcid.org/0000-0002-9776-4888; GONÇALVES, Glauco Estácio; http://lattes.cnpq.br/6157118581200722; https://orcid.org/0000-0003-1341-5339; CARDOSO, Diego Lisboa; CARDOSO, Kleber Vieira; http://lattes.cnpq.br/0507944343674734; http://lattes.cnpq.br/0268732896111424; https://orcid.org/0000-0002-5971-3668; https://orcid.org/0000-0001-5152-5323
As redes móveis passam por constantes mudanças e, a cada geração, novos casos de uso surgem para desafiar a tecnologia atual. Os casos de uso atuais do 5G e do futuro 6G exigem que a rede móvel ofereça maior confiabilidade e baixa latência, desafiando assim toda a rede e, em particular, o núcleo da rede móvel. Para atender a esses requisitos rigorosos, a tecnologia de rede central atual incorpora técnicas de escalabilidade baseadas em modelos de aprendizado de máquina, que permitem antecipar as demandas de tráfego e ajustar proativamente os recursos da rede antes que ocorra qualquer degradação na qualidade do serviço. No entanto, mudanças nos hábitos dos usuários, aplicativos e protocolos de rede podem levar a alterações nos padrões estatísticos do tráfego móvel, um fenômeno conhecido como desvios de conceito. Consequentemente, modelos convencionais de aprendizado de máquina, treinados em dados antigos, tendem a perder precisão ao longo do tempo, o que pode comprometer a adoção de casos de uso com requisitos rigorosos de desempenho. Para superar essa limitação, este estudo avalia o uso de modelos de aprendizado online para o escalabilidade proativa de funções de rede no núcleo de redes móveis. Essa abordagem busca empregar modelos que possam se adaptar continuamente às mudanças na distribuição de tráfego, mantendo previsões consistentes mesmo em cenários sujeitos a desvios de conceito. Como um estudo de caso, esta dissertação de mestrado discute como modelos de aprendizagem online podem ser empregados para aprimorar a escalabilidade da Função de Gerenciamento de Acesso e Mobilidade (AMF) sob diferentes tipos de desvio de conceito. Utilizando tráfego de dados real de uma operadora de telecomunicações, diversos cenários de desvio de conceito foram delineados e uma simulação abrangente de treze estratégias de aprendizagem online foi realizada em um núcleo móvel simulado. Os resultados mostram como as previsões precisas dos modelos online impactam métricas de serviço, como o número de solicitações perdidas e a taxa de ocupação da função. Além disso, o estudo aponta que nem todos os modelos online mantêm boa precisão preditiva sob desvios de conceito no tráfego, o que confirma a importância de testar diferentes modelos.
Acesso aberto (Open Access)
Network slice admission using reinforcement learning and information-centric networking for mobile networks
(Universidade Federal do Pará, 2019-08-21) BATISTA, Pedro dos Santos; KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha; http://lattes.cnpq.br/1596629769697284
A evolução das redes móveis mais populares atualmente (4G), as 5G, tem como um dos objetivos suportar aumento de tráfego e ao mesmo tempo diminuir o custo. Assim otimização na entrega de conteúdo é importante para essa nova rede; um outro aspecto é que 5G tem a ambição de ser uma rede altamente adaptável, isto é, ela deve ser confiável o suficiente para ser utilizada em automação industrial e ao mesmo tempo barata o suficiente para ser usada em serviços de banda larga. Nesse contexto, esta tese estuda dois aspectos do 5G, o primeiro é o emprego de redes orientadas a conteúdo (ICN) para melhorar a eficiência de entrega de conteúdo multimídia em serviços de banda larga móvel; o segundo é o desenvolvimento de um agente que utiliza aprendizado por reforço como um facilitador para as novas redes altamente configuráveis, as quais podem se tornar um desafio para serem entendidas e configuradas manualmente. O ICN tem como objetivo circunver vários problemas do atual protocolo de internet, dentre eles, uma entrega de conteúdo mais eficiente. Dado significativa taxa de crescimento de transmissão de vídeos em redes móveis, é sensível avaliar como as redes 4G/5G podem se beneficiar de ICN. Existem muitos trabalhos que avaliam o emprego de ICN em redes fixas e para o núcleo das redes móveis. Menos atenção tem sido dedicada ao emprego de ICN nas redes de acesso a rádio (RAN) ou ICN-RAN. Este trabalho descreve o emprego de ICN na RAN de 4G/5G, e também apresenta uma bancada de testes que permite o desenvolvimento de provas de conceitos usando ICN-RAN em 4G. Os resultados indicam, por exemplo, que a avaliação de diversas funcionalidades de ICN podem ser realizadas, mas que a falta de aceleradores de hardware e código otimizado limitam a taxa de bit que pode ser alcançada em tempo real. No contexto de adaptação da rede, a tecnologia mais promissora é o fatiamento da rede. Fatia de rede pode ser entendida como parte da rede que é personalizada para determinados serviços. Os requisitos de cada serviço são impostos pelo inquilino, o qual adquire fatias do provedor de infraestrutura. O provedor de infraestrutura 5G tem que otimizar a utilização de seus recursos, costumeiramente essa utilização é aumentada ao admitir fatias, porém, os recursos na infraestrutura são finitos e admitir todas as fatias pode aumentar o risco de violação de acordos de prestação de serviços, o que implica em multas que podem diminuir o lucro. Nesta tese, é investigado o uso de um agente treinado por aprendizado por reforço que aprende como aumentar o lucro do provedor de infraestrutura. Tal agente, baseado em redes neurais, aprende as consequências da admissão de fatias na rede baseado no inquilino e no seu perfil de utilização de recursos, aprendendo assim, a balancear os benéficos da admissão em contraste com os custos de orquestração e gerenciamento de recursos.
Acesso aberto (Open Access)
Redesigning CAVIAR: a framework for next-Generation 6G/B6G simulations
(Universidade Federal do Pará, 2025-10-27) ALBUQUERQUE, João Pedro Barbosa; KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha; http://lattes.cnpq.br/1596629769697284; https://orcid.org/0000-0001-7773-2080; Glauco Estácio; http://lattes.cnpq.br/6157118581200722; https://orcid.org/0000-0003-1341-5339
A evolução das redes móveis rumo à sexta geração (6G) e à consolidação do Open Radio Access Network (Open RAN) demanda ferramentas de simulação flexíveis, modulares e capazes de integrar comunicação, mobilidade e inteligência artificial em cenários ultra-realistas. Este trabalho apresenta a mais recente versão do framework Communication Networks, Artificial Intelligence and Computer Vision with 3D Computer-generated Imagery (CAVIAR), uma ferramenta de co-simulação alinhada às diretrizes do 3rd Generation Partnership Project (3GPP), capaz de integrar módulos independentes para simulação tridimensional (3D), mobilidade, comunicações e inteligência artificial, orquestrados de forma assíncrona para execução emtempo real. O CAVIAR incorpora modelagem de canais por traçado de raios (ray tracing) utilizando Sionna-Ray Tracing (Sionna-RT) e Wireless InSite, simulação de redes de quinta geração (5G) com Network Simulator 3 (ns-3) e módulo 5G-Lena, técnicas de aceleração de cálculos de propagação e monitoramento interativo por meio de InfluxDB e Grafana. Para validar o ferramental, foram implementados três casos de uso representativos alinhados aos estudos descritos nas especificações do 3GPP Release 19: (i) monitoramento de animais em áreas rurais com alocação dinâmica de Physical Resource Blocks (PRBs) via Open RAN, busca e resgate urbano com detecção de pessoas usando You Only Look Once (YOLO) sobre enlace de Non-Terrestrial Network (NTN), e coordenação de robôs em ambientes internos com Integrated Sensing and Communication (ISAC) multimodal combinando Light Detection and Ranging (LiDAR) e imagem Red, Green, Blue (RGB). Os resultados demonstram que o CAVIAR atinge Indicadores-Chave de Desempenho (Key Performance Indicators – KPIs) com alta precisão e baixo uso de recursos computacionais (Unidade Central de Processamento – CPU, Unidade de Processamento Gráfico – GPU e Memória de Acesso Aleatório – RAM), mesmo em cenários complexos, possibilitando a execução de aplicações de rede sensíveis à latência e com alta confiabilidade, reforçando sua aplicabilidade para pesquisas avançadas em 5G-Advanced e 6G.