Instituto de Ciência e Tecnologia (ICT)

URI Permanente desta comunidade

https://hdl.handle.net/11600/61094

Navegar

Navegando Instituto de Ciência e Tecnologia (ICT) por Orientador(es) "Almeida Junior, Jurandy Gomes de [UNIFESP]"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Acesso aberto (Open Access)
    Uso de aprendizado profundo em redes 5g através de representações pictóricas de séries temporais
    (Universidade Federal de São Paulo, 2022-01-23) Silva, Lucas Fernando Alvarenga e [UNIFESP]; Almeida Junior, Jurandy Gomes de [UNIFESP]; Kimura, Bruno Yuji Lino [UNIFESP]; http://lattes.cnpq.br/7587316047810193; http://lattes.cnpq.br/4495269939725770; http://lattes.cnpq.br/4140520490333280
    Novos padrões de consumo de dados, em sua maioria não centralizado no comportamento humano, estão começando a esgotar os recursos de transmissão da infraestrutura de rede móvel atual. Por conta disso redes 5G começaram a ser padronizadas e implantadas ao redor do mundo, adotando enlaces de ondas de rádio milimétricas de alta frequência que permitem suprir as demandas de velocidades de transferência de dados atuais. Entretanto, a gestão das redes 5G atuais acontece de modo reativo, em que parâmetros de rede são calculados pelos dispositivos de usuários e enviados periodicamente as estações-base, porém isso não é ideal pois geram atrasos e lentidões na rede que podem impossibilitar o cumprimento de seus requisitos de tempo. Assim, as redes além das redes 5G estão sendo desenvolvidas com objetivo de apresentar sistemas mais inteligentes através do uso de métodos de aprendizado de máquina para melhoria de tomadas de decisões e alocações de recursos. Com base nas redes além das redes 5G, este trabalho propõe o desenvolvimento de um arcabouço de aprendizado profundo que visa prever valores futuros de um parâmetros de qualidade da rede, o Indicador de Qualidade de Canal, com base em um histórico de valores passados. Espera-se que esse sistema de previsão seja executado em infraestruturas de nuvem que pró-ativamente envia previsões para as estações-bases, permitindo que elas escolham seu curso de ações futuro para manter a qualidade dos canais de comunicação com os equipamentos de usuário. Na literatura existem algumas propostas para a previsão de valores futuros de CQI, mas a maior parte delas investigam modelos de aprendizado profundo custosos sobre ambientes simulados ou, quando em ambientes reais, em redes móveis de gerações anteriores, como as redes 4G. Dado estas limitações, este trabalho realiza uma comparação entre diferentes técnicas de aprendizagem profunda em um conjunto de dados reais (registros de transmissão) obtidos da perspectiva de um equipamento de usuário de uma operadora 5G da Irlanda. Foram usadas redes recorrentes LSTM, modelos convolucionais tradicionais e modelos convolucionais residuais, ambos modelos convolucionais voltadas para representações de dados unidimensionais, usando diretamente séries temporais pré-processadas, e bidimensionais, que adicionam uma etapa adicional de processamento séries temporais por técnicas de transformação de séries temporais em imagens, e.g., Gráficos de Recorrência, Campos Angulares Gramianos e Campos de Transição de Markov. Após uma extensa avaliação experimental sobre dois padrões de movimentação distintos, estático e móvel, pôde-se verificar que a LSTM obteve o melhor desempenho médio (aproximadamente 12% de NRSME) para previsão, seguida pelo modelo convolucional tradicional 1D (16%) e o residual 2D (19%). Porém, informações temporais de processamento e treinamento são vitais em redes 5G, e nesse sentido observa-se que a LSTM apresentou o maior tempo dentre todos os modelos avaliados, impossibilitando sua aplicação no mundo real. Assim, constatou-se que o modelo com melhor compromisso entre desempenho e complexidade foram as redes residuais, particularmente, a ResNet5 2D, com um erro de aproximadamente 19% NRMSE e um tempo de inferência e treinamento aproximadamente 99% menor que LSTM.