Publicação: Controle adaptativo de pesos de QoS e equidade no escalonamento de downlink 5G via aprendizado por reforço profundo
Carregando...
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::TELECOMUNICACOES::SISTEMAS DE TELECOMUNICACOES
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
O escalonamento de recursos no enlace de downlink de redes 5G com tráfego misto exige equilibrar três objetivos conflitantes: vazão agregada, equidade na distribuição e cumprimento de prazo do tráfego sensível à latência. Os escalonadores convencionais otimizam um eixo em detrimento dos demais, e as propostas orientadas a qualidade de serviço adotam pesos fixados em tempo de projeto, que não acompanham a variação das condições da rede. Este trabalho apresenta o DRLQoSScheduler, um escalonador de enlace de descida cujos pesos de urgência de latência e de confiabilidade e cujo alvo de equidade são ajustados em tempo de execução por um agente treinado com o algoritmo Deep Deterministic Policy Gradient. Em vez de alocar blocos de recursos diretamente, o agente aplica controle paramétrico indireto sobre uma métrica proporcional-justa ponderada por qualidade de serviço, o que preserva a interpretabilidade da alocação e dispensa a otimização por slot exigida pelas propostas convencionais. A alocação é obtida em forma fechada, com complexidade linear no produto entre o número de blocos de recursos e o número de usuários. O escalonador foi implementado no Vienna 5G System Level Simulator e avaliado em uma rede heterogênea de três tipos de célula, em quatro cenários que variam densidade de usuários, mobilidade e prazo de tráfego sensível à latência, com 30 execuções independentes por configuração. Nas 36 comparações por teste t bilateral contra três linhas de base nativas, a proposta nunca é superada com significância estatística e prevalece em 25, com o cumprimento de prazo favorável nas 12 comparações dessa métrica. Sob saturação, com oito vezes a densidade de referência e topologia inalterada, é o único dos cinco escalonadores avaliados a ocupar a segunda posição nas três métricas simultaneamente.
Abstract
Downlink resource scheduling in 5G networks carrying mixed traffic requires balancing three conflicting objectives: aggregate throughput, fairness, and deadline compliance for latency-sensitive flows. Conventional schedulers optimize one axis at the expense of the others, while quality-of-service (QoS)-aware designs rely on weights fixed at design time that do not track varying network conditions. This work presents the DRLQoSScheduler, a downlink scheduler whose latency and reliability urgency weights and fairness target are tuned at run time by an agent trained with the deep deterministic policy gradient (DDPG) algorithm. Rather than allocating resource blocks directly, the agent applies indirect parametric control to a QoS-weighted proportional fair metric, preserving the interpretability of the allocation and avoiding the per-slot optimization required by conventional approaches. The allocation is computed in closed form, with complexity linear in the product of the number of resource blocks and the number of users. The scheduler was implemented in the Vienna 5G System Level Simulator and evaluated on a three-tier heterogeneous network across four scenarios varying user density, mobility, and the latency-sensitive traffic deadline, with 30 independent runs per configuration. Across 36 two-tailed t-tests against three native baselines, the proposed scheduler is never outperformed with statistical significance and prevails in 25, with deadline compliance favorable in all 12 comparisons of that metric. Under saturation, at eight times the reference density with unchanged topology, it is the only one of the five evaluated schedulers ranking second in all three metrics simultaneously.
Palavras-chave
Aprendizado por reforço profundo, Redes 5G, Qualidade de serviço, Escalonamento de recursos, Index Terms—5G networks, Deep reinforcement learning, Fairness, Heterogeneous networks, Quality of service, Resource scheduling
Citação
DOMINGOS, Gustavo Coelho. Controle adaptativo de pesos de QoS e equidade no escalonamento de downlink 5G via aprendizado por reforço profundo. 2026. 143 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal de Uberlândia, Uberlândia, 2026. DOI http://doi.org/10.14393/ufu.di.2026.652.
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto