Aprendizaje profundo para la asignación de recursos en redes 5G

Abstract

La creciente demanda de conectividad se manifiesta en la cantidad de tráfico y la tendencia a ampliar el alcance de las redes móviles para satisfacer nuevas necesidades. Las redes móviles de quinta generación (5G) se han convertido en el nuevo paradigma de las redes de comunicación con nuevas características y servicios. Estas redes deben permitir la coexistencia de clientes con diferentes requerimientos de servicio, mientras garantizan la autonomía e independencia entre ellos, lo cual constituye un desafío para la asignación de recursos. Network Slicing se presenta como la herramienta clave para abordar este problema. Implica el particionamiento de los recursos de radio con el objetivo de cumplir con el nivel de servicio acordado con cada grupo de usuarios. El objetivo general del presente trabajo es analizar e implementar algoritmos de asignación de recursos basados en aprendizaje profundo para redes 5G, bajo el paradigma de network slicing. Para ello se utiliza el simulador Py5cheSim, desarrollado en el Instituto de Ingeniería Eléctrica de UdelaR. Como resultado principal se destaca el análisis comparativo de dos algoritmos de asignación de recursos entre slices que se basan en el aprendizaje profundo y se evalúan bajo un mismo escenario operativo. Así, se analiza su potencial para ser implementados en una red real y se llega a la conclusión de que uno de ellos es la opción más adecuada. Dicha elección se fundamenta en una serie de criterios técnicos y de rendimiento, que demuestran las ventajas que ofrece en términos de eficiencia y precisión en la asignación de recursos. Por otra parte, se realizan aportes al simulador, tales como la incorporación de nuevos perfiles de tráfico, el ajuste de mecanismos de funcionamiento y la creación de una librería para facilitar el desarrollo de nuevos algoritmos. Muchos de estos aportes enriquecen los resultados principales, pues habilitan la experimentación en diversos entornos de trafico.