Solução para concentração de usuários (hotspots) aplicando QLearning em técnicas ICIC baseadas em FFR

• Ano de defesa: 2020
• Autor(a) principal: Rêgo, Iago Diógenes do
• Orientador(a): Sousa Júnior, Vicente Ângelo de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Rio Grande do Norte
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
• País: Brasil
• Palavras-chave em Português: FFR; ICIC; Hotspot; Q-Learning; Aprendizado de máquina
• Link de acesso: https://repositorio.ufrn.br/jspui/handle/123456789/29946

Este trabalho tem como objetivo explorar técnicas de coordenação de interferência entre células, Inter-Cell Interference Coordination (ICIC), baseadas em reúso fracionário de frequência, Fractional Frequency Reuse (FFR), como solução para um cenário multi-celular que apresenta concentração de usuários variante ao longo do tempo. Inicialmente, apresenta-se o problema da alta concentração de usuários no cenário proposto, a fim de esclarecer o que as caracteriza e quais seus efeitos no sistema. Em seguida, o uso de múltiplas entradas e saídas, Multiple-Input Multiple-Output (MIMO), e de microcélulas é apresentado como solução clássica para o problema, levando à introdução do reúso fracionário de frequência e de técnicas ICIC que utilizam FFR. Um estudo preliminar sobre o ICIC é realizado, com o intuito de demonstrar sua eficiência em reduzir os efeitos da interferência co-canal e comparar as diferentes técnicas. A partir da análise comparativa, uma das técnicas é utilizada como objeto de um estudo estatístico que identifica quais dos seus parâmetros são relevantes para o desempenho do sistema. Finalizando as análises preliminares, um estudo é realizado para evidenciar o impacto da alta concentração de usuários no cenário proposto. Devido à característica dinâmica do sistema, este trabalho propõe uma solução baseada em técnicas de Aprendizado de Máquina, em que o algoritmo de ICIC tem seus parâmetros regulados automaticamente com o objetivo de manter a melhor SINR possível, Signal-to-interference-plus-noise ratio, dado que há o surgimento de zonas de alta concentração de usuários ao longo do tempo. Os resultados mostram que o Q-Learning promove um ganho significativo na SINR média, de todos os usuários e dos usuário dos hotspots com relação à simulação em que não há ajuste dinâmico dos parâmetros.