Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/25825
Full metadata record
DC FieldValueLanguage
dc.creatorSantos, Einar César-
dc.date.accessioned2019-07-09T16:39:16Z-
dc.date.available2019-07-09T16:39:16Z-
dc.date.issued2019-06-14-
dc.identifier.citationSANTOS, Einar César. Alocação de Recursos baseada em Clustering com Aprendizado de Características e Orientação a QoS em Redes LTE-Advanced. 2019. 130 f. Tese (Doutorado em Engenharia Elétrica) - Universidade Federal de Uberlândia, Uberlândia, 2019. Disponível em: http://dx.doi.org/10.14393/ufu.te.2019.2060pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/25825-
dc.description.abstractThe increasing demand for wireless mobile networks access has increased operational and management costs as well as the minimum levels of Quality of Service (QoS) required for applications provisioning in Long Term Evolution Advanced (LTE-A) networks. Although the latest LTE-A specifications offer cost-effective technologies, they are not prepared to deal with Big Data, characterized by a large volume of data constantly produced at high velocity, variety, veracity and value in information and communication systems. In this sense, Machine Learning is widely used and recommended to process Big Data. The Clustering-Based Resource Allocation (CBRA) strategy, designed for autonomous resource allocation by the use of clustering (a task performed by Machine Learning), categorizes users and applications from patterns discovered in communication system data in which it is employed, providing better QoS parameters. However, to be able to classify properly, the CBRA requires a better definition of features informed as well as parameters adapted to the analyzed data during the clustering execution. This work proposes a CBRA mechanism, specifically developed for LTE-A, provided with an algorithm for autonomous feature learning and another for clustering de-parameterization. The proposal is evaluated through computational simulation and compared with other related mechanisms existing in the literature. The results show better classification quality, in comparison with the number of analyzed features, and adequate performance of the mechanism for real-time video applications.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/publicdomain/zero/1.0/*
dc.subjectAlocação de Recursospt_BR
dc.subjectAprendizado de Máquinapt_BR
dc.subjectLTE-Apt_BR
dc.subjectQoSpt_BR
dc.subjectSimulaçãopt_BR
dc.subjectClusteringpt_BR
dc.subjectResource Allocationpt_BR
dc.subjectMachine Learningpt_BR
dc.subjectAprendizado de Característicaspt_BR
dc.subjectLTE-Advancedpt_BR
dc.titleAlocação de Recursos baseada em Clustering com Aprendizado de Características e Orientação a QoS em Redes LTE-Advancedpt_BR
dc.title.alternativeClustering-based Resource Allocation with Feature Learning and QoS-awareness in LTE-Advanced Networkspt_BR
dc.typeTesept_BR
dc.contributor.advisor1Guardieiro, Paulo Roberto-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/4115942565606954pt_BR
dc.contributor.referee1Borin, Juliana Freitag-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/4534936707754253pt_BR
dc.contributor.referee2Teixeira, Márcio Andrey-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/0478114607811338pt_BR
dc.contributor.referee3Yamanaka, Keiji-
dc.contributor.referee3Latteshttp://lattes.cnpq.br/9893612181758615pt_BR
dc.contributor.referee4Silva, Éderson Rosa da-
dc.contributor.referee4Latteshttp://lattes.cnpq.br/0745957106999584pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/8133457897449895pt_BR
dc.description.degreenameTese (Doutorado)pt_BR
dc.description.resumoA crescente demanda por acesso a redes móveis sem fio tem elevado os custos operacionais e gerenciais assim como os níveis mínimos exigidos de Qualidade de Serviço, ou Quality of Service (QoS), para provisionamento às aplicações em redes Long Term Evolution Advanced (LTE-A). Apesar das especificações mais recentes do LTE-A oferecerem tecnologias capazes de reduzir custos, elas não são preparadas para lidar com o Big Data, caracterizado por um grande volume de dados constantemente produzidos em alta velocidade, variedade, veracidade e valor em sistemas de informação e comunicação. Neste sentido, o Aprendizado de Máquina, ou Machine Learning, é amplamente utilizado e recomendado para processar Big Data. A estratégia Clustering-Based Resource Allocation (CBRA), idealizada para alocação autônoma de recursos por meio do uso da "clusterização", ou clustering (uma tarefa realizada por Aprendizado de Máquina), categoriza usuários e aplicações a partir de padrões descobertos em dados do sistema de comunicação em que é empregada, fornecendo parâmetros mais adequados de QoS. Entretanto, para ser capaz de classificar adequadamente, o CBRA requer uma melhor definição das características informadas bem como parâmetros adaptados aos dados analisados durante a execução do clustering. Este trabalho propõe um mecanismo CBRA, especificamente desenvolvido para o LTE-A, dotado de um algoritmo para aprendizado autônomo de características e outro para desparametrização do clustering. A proposta é avaliada por meio de simulação computacional e comparada com outros mecanismos relacionados existentes na literatura. Os resultados apresentam melhor qualidade de classificação, em comparação com a quantidade de características analisadas, e um desempenho adequado do mecanismo para aplicações de vídeo em tempo real.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.programPrograma de Pós-graduação em Engenharia Elétricapt_BR
dc.sizeorduration130pt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::TELECOMUNICACOES::SISTEMAS DE TELECOMUNICACOESpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.identifier.doihttp://dx.doi.org/10.14393/ufu.te.2019.2060pt_BR
dc.orcid.putcode59328142-
dc.crossref.doibatchidpublicado no crossref antes da rotina xml-
Appears in Collections:TESE - Engenharia Elétrica

Files in This Item:
File Description SizeFormat 
AlocaçãoRecursosBaseada.pdfArquivo PDF da Tese - Alocação de Recursos baseada em Clustering com Aprendizado de Características e Orientação a QoS em Redes LTE-Advanced - Einar César Santos4.02 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons