Publicação: Uso de Deep Q-Learning para alocação de recursos uplink em redes heterogêneas LTE-A/5G
Carregando...
Arquivos
Tipo do documento
Data
Direito de acesso
Coleções
Área do conhecimento
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Guardieiro, Paulo Roberto
Resumo
A crescente demanda por conectividade móvel, impulsionada pela diversidade de aplicações com requisitos rigorosos de qualidade de serviço (QoS), impõe desafios à alocação eficiente de recursos em redes heterogêneas LTE-A/5G. Em vista disso, este trabalho propõe uma solução integrada de escalonamento e alocação de recursos no uplink, com o objetivo de garantir a QoS, reduzir o consumo energético e mitigar interferências intercelulares em cenários densos e de alta mobilidade. A metodologia desenvolvida combina técnicas de Deep Q-Learning (DQL), capazes de aprender políticas ótimas de alocação de recursos por meio da interação com o ambiente, e o método multicritério Weighted Aggregated Sum Product Assessment (WASPAS), aplicado à tomada de decisão de handover com base em múltiplos critérios, como Signal to Interference plus Noise Ratio (SINR), carga de tráfego celular e mobilidade do usuário. A proposta contempla três componentes principais: (i) um escalonador de objetivo duplo que prioriza, de forma diferenciada, o tráfego em tempo real (RT) e não em tempo real (NRT), considerando os requisitos específicos de cada classe de serviço; (ii) um mecanismo de alocação de recursos com restrição de energia, adaptativo às variações do canal e à demanda de QoS; e (iii) uma estratégia inteligente de handover, que promove continuidade de serviço e redução de quedas de conexão. O desempenho do sistema foi avaliado por meio de simulações no ambiente Network Simulator 3 (ns-3), utilizando diferentes densidades de usuários e cenários dinâmicos. Os resultados demonstram ganhos significativos em relação a algoritmos tradicionais, como Proportional Fair (PF) e New Courteous Algorithm (NCA), evidenciando redução do atraso, aumento do throughput, melhoria do índice de justiça na distribuição de recursos e diminuição das taxas de perda de pacotes e de queda de chamadas. Como consequência, evidencia-se o potencial das abordagens baseadas em inteligência artificial e decisão multicritério para a otimização da alocação de recursos em redes móveis celulares modernas.
Abstract
The growing demand for mobile connectivity, driven by diverse applications with stringent Quality of Service (QoS) requirements, poses significant challenges to the efficient allocation of resources in heterogeneous LTE-A/5G networks. This work proposes an integrated solution for uplink scheduling and resource allocation, aiming to ensure QoS, reduce energy consumption, and mitigate intercell interference in dense and high-mobility scenarios. The proposed methodology combines Deep Q-Learning (DQL), capable of learning optimal resources allocation policies through environment interaction, and the multi-criteria decision-making method Weighted Aggregated Sum Product Assessment (WASPAS), applied to intelligent handover decisions based on multiple criteria, such as Signal to Interference plus Noise Ratio (SINR), cell load, and user mobility. The solution is structured into three main components: (i) a dual-objective scheduler that prioritizes real-time (RT) and non-real-time (NRT) traffic based on the specific requirements of each service class; (ii) an energy-constrained resource allocation mechanism that adapts to channel variations and QoS demands; and (iii) an intelligent handover strategy that promotes service continuity and reduces connection drops. System performance was evaluated through simulations using the Network Simulator 3 (ns-3) environment under various user densities and dynamic scenarios. The results show significant improvements compared to traditional algorithms such as Proportional Fair (PF) and New Courteous Algorithm (NCA), including delay reduction, increased throughput, improved fairness index in resource distribution, and lower packet loss and call drop rates. As a result, the potential of artificial intelligence and multi-criteria decision-making based approaches for optimizing resource allocation in modern cellular mobile networks is highlighted.
Palavras-chave
Alocação de Recursos, Resource Allocation, Deep Q-Learning, Escalonamento Uplink, Uplink Scheduling, Qualidade de Serviço, Quality of Service, Redes Heterogêneas, Heterogeneous Networks
Citação
GARBAZZA, Itagildo Edmarm. Uso de Deep Q-Learning para alocação de recursos uplink em redes heterogêneas LTE-A/5G. 2025, 110fl. Doutorado (Tese em eng. elétrica). - Universidade Federal de Uberlândia, Uberlândia, 2025. DOI http://doi.org/10.14393/ufu.te.2025.374
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto