Learning-based resource allocation for fair and efficient mobile networks

Abstract

This thesis explores the application of artificial intelligence to resource allocation in wireless networks. Next-generation cellular systems, with 5G already deployed and 6G under development, drastically increase both the capacity and complexity of the network, demanding more careful design for improved resource utilization and operational efficiency. Traditional methods based on network overprovisioning are no longer sufficient. The use of mid- and high-frequency bands introduces new challenges in urban environments and densely populated areas. Likewise, classical resource allocation schemes based on fixed rules struggle to ensure both efficiency, fairness, and adaptability. To address these limitations, modern networks increasingly rely on intelligent management mechanisms capable of dynamically adapting to heterogeneous traffic conditions, with the dual objective of maintaining service quality and reducing operational costs. This work focuses precisely on time–frequency resource allocation by base stations, considering two complementary levels: user association at the inter-cell level and internal resource scheduling at the intra-cell level. The first part of this thesis considers the user association problem, which seeks to determine to which base station a mobile device should connect upon entering the network. Differently from previous efforts, the focus is on fairness and stability in a dynamic setting where users arrive randomly and have finite session durations. To this end, the fair user association problem is formalized and studied under realistic system dynamics, including user departures and the possibility of admission rejection. The problem is modeled as a partially observable Markov Decision Process, with several variants reflecting different modeling assumptions and optimization objectives. Reinforcement learning techniques are employed, leveraging graph neural networks to exploit the relational structure of the network and to learn decentralized yet stable association policies. A principled method is proposed to incorporate fairness criteria into the decision-making process, adapted to partially observable states and time-varying user populations. The proposed approach is validated using real data from a 5G network in Paris, demonstrating improvements in both load balancing and user experience. In the second part of the thesis, we examine the problem of resource distribution within a base station. The 5G standard defines three service categories: enhanced Mobile Broadband (eMBB), massive Machine-Type Communications (mMTC), and Ultra-Reliable Low-Latency Communications (URLLC). This work focuses on the coexistence of eMBB and URLLC services, where URLLC traffic has strict latency and reliability requirements and is granted priority access to spectrum resources, potentially preempting resources previously allocated to eMBB users. Given that these services operate on different time scales, the proposed approach combines classical optimization techniques with supervised learning methods to design resource allocation policies that satisfy URLLC requirements while minimizing the performance degradation experienced by eMBB users. The proposed solutions contribute to the advancement of artificial intelligence applied to resource management in wireless networks. Efficient resource optimization is not only desirable but necessary given the growing pressure on the planet’s natural resources. This thesis emphasizes the use of machine learning not only to maximize efficiency, but also as a means to promote fairness in access to shared resources.

Esta tesis explora la aplicación de la inteligencia artificial a la asignación de recursos en redes inalámbricas. Los sistemas celulares de próxima generación, con 5G ya desplegado y 6G en desarrollo, incrementan significativamente tanto la capacidad como la complejidad de la red, lo que exige un diseño más cuidadoso orientado a una mejor utilización de los recursos y a una mayor eficiencia operativa. Los enfoques tradicionales basados en el sobredimensionamiento de la red ya no resultan suficientes. El uso de bandas de frecuencia medias y altas introduce nuevos desafíos, en particular en entornos urbanos y áreas densamente pobladas. Asimismo, los esquemas clásicos de asignación de recursos basados en reglas fijas tienen dificultades para garantizar simultáneamente eficiencia, equidad y adaptabilidad. Para superar estas limitaciones, las redes modernas incorporan mecanismos de gestión inteligente capaces de adaptarse dinámicamente a condiciones de tráfico heterogéneas, con el doble objetivo de mantener la calidad de servicio y reducir los costos operativos. Este trabajo se centra precisamente en la asignación de recursos tiempo-frecuencia por parte de las estaciones base, considerando dos niveles complementarios: la asociación de usuarios a nivel intercelda y la planificación interna de recursos a nivel intracelda. La primera parte de esta tesis aborda el problema de asociación de usuarios, cuyo objetivo es determinar a qué estación base debe conectarse un dispositivo móvil al ingresar a la red. A diferencia de trabajos previos, el enfoque se pone en la equidad y la estabilidad en un entorno dinámico donde los usuarios llegan de forma aleatoria y tienen sesiones de duración finita. Con este fin, se formaliza el problema de asociación justa de usuarios y se estudia bajo dinámicas de sistema realistas, incluyendo la salida de usuarios y la posibilidad de rechazo en la admisión. El problema se modela como un Proceso de Decisión de Markov parcialmente observable, con varias variantes que reflejan diferentes supuestos de modelado y objetivos de optimización. Se emplean técnicas de aprendizaje por refuerzo, aprovechando redes neuronales basadas en grafos para explotar la estructura relacional de la red y aprender políticas de asociación descentralizadas y estables. Se propone un método principiado para incorporar criterios de equidad en el proceso de toma de decisiones, adaptado a estados parcialmente observables y a poblaciones de usuarios dinámicas. El enfoque propuesto se valida utilizando datos reales de una red 5G en París, mostrando mejoras tanto en el balance de carga como en la experiencia de los usuarios. En la segunda parte de la tesis se examina el problema de distribución de recursos dentro de una estación base. El estándar 5G define tres categorías de servicio: banda ancha móvil mejorada (eMBB), comunicaciones masivas de tipo máquina (mMTC) y comunicaciones ultra confiables y de baja latencia (URLLC). Este trabajo se centra en la coexistencia de servicios eMBB y URLLC, donde el tráfico URLLC presenta requisitos estrictos de latencia y confiabilidad y recibe prioridad en el acceso al espectro, pudiendo incluso reasignar recursos previamente asignados a usuarios eMBB. Dado que estos servicios operan en diferentes escalas temporales, la tesis combina técnicas clásicas de optimización con métodos de aprendizaje supervisado para diseñar políticas de asignación de recursos que cumplan con los requisitos de URLLC minimizando, al mismo tiempo, la degradación del desempeño de los usuarios eMBB. En conjunto, las soluciones propuestas contribuyen al avance de la aplicación de la inteligencia artificial a la gestión de recursos en redes inalámbricas. La optimización eficiente de recursos no es solamente un objetivo deseable, sino una necesidad ante la creciente presión sobre los bienes naturales del planeta. Esta tesis enfatiza el uso de técnicas de aprendizaje automático no solo para maximizar la eficiencia, sino también como medio para promover la equidad en el acceso a los recursos compartidos.