Análisis de algoritmos de aprendizaje máquina aplicados a la asignación de recursos en la red de acceso para redes 5G con segmentación
Loading...
Date
2023-09-26
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Cuenca
Abstract
This degree project focuses on the study and improvement of the random access
method in 5G networks, applying two approaches for the dynamic management of
preambles. In this context, users request uplink resources by transmitting preambles,
which are characterized by being orthogonal signatures. However, one problem that
arises is the possible congestion and network collapse when multiple identical signa-
tures are transmitted in a short period of time. The first method consists of the use of
supervised learning by training a neural network using a set of data that contains in-
formation about the preambles that have previously benefited the system during tests
carried out. The neural network processes this information and generates outputs that
indicate which preambles are best suited to avoid crashes and improve the probability
of successful access to uplink resources. The second proposed method involves the
use of reinforcement learning, which implements a policy for preamble management
based on Q-learning. In this approach, a function called Q is used that evaluates ac-
tions taken in specific states of the system. The system continually feeds itself back,
reinforcing those choices that benefit the system’s performance and punishing those
that harm it. In this way, the random access system can learn to allocate preambles
more intelligently and effectively, adapting to network conditions and optimizing the
utilization of available resources.
Resumen
El presente proyecto de titulación se enfoca en el estudio y mejora del método de ac-
ceso aleatorio en redes 5G, aplicando dos enfoques para la administración dinámica
de preámbulos. En este contexto, los usuarios solicitan recursos de enlace ascenden-
te mediante la transmisión de preámbulos, los cuales se caracterizan por ser firmas
ortogonales. Sin embargo, un problema que se presenta es la posible congestión y
colapso de la red cuando múltiples firmas idénticas se transmiten en un corto pe-
ríodo de tiempo. El primer método consiste en el uso del aprendizaje supervisado
mediante la implementación de una red neuronal que determina una salida ante un
conjunto de datos que contienen información sobre los preámbulos que han benefi-
ciado previamente al sistema durante pruebas realizadas. La red neuronal procesa
esta información y genera salidas que indican qué preámbulos son más adecuados
para evitar colapsos y mejorar la probabilidad de acceso exitoso a los recursos de
enlace ascendente. El segundo método propuesto implica el uso del aprendizaje re-
forzado, que implementa una política para la administración de preámbulos basada
en Q-learning. En este enfoque, se emplea una función denominada Q que evalúa las
acciones tomadas en estados específicos del sistema. El sistema se retroalimenta
continuamente, reforzando aquellas elecciones que benefician al rendimiento del sis-
tema y castigando aquellas que lo perjudican. De esta manera, el sistema de acceso
aleatorio puede aprender a asignar preámbulos de manera más inteligente y efectiva,
adaptándose a las condiciones de la red y optimizando la utilización de los recursos
disponibles.
Keywords
Electrónica, Inteligencia artificial, Conectividad movil
Citation
Código de tesis
TET;145
Código de tesis
Grado Académico
Ingeniero en Electrónica y Telecomunicaciones