Detalhes bibliográficos
| Ano de defesa: |
2023 |
| Autor(a) principal: |
Guerra, Tarciana Cabral de Brito |
| Orientador(a): |
Sousa Júnior, Vicente Angelo de |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Tese
|
| 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
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
https://repositorio.ufrn.br/handle/123456789/57824
|
Resumo: |
A tecnologia de conectividade dupla (DC) (ou, de forma mais geral, conectividade múltipla (MC)) é de extrema importância na jornada inicial do New Radio (NR), rede de acesso do 3GPP para o 5G, sendo base para as primeiras formas de implementação dessa geração de sistemas de comunicação. Com o MC, os usuários podem ser conectados simultaneamente a tecnologias legadas (4G-LTE e Wi-Fi) e à nova tecnologia 5G-NR. Todavia, tal tecnologia traz desafios adicionais para a rede, principalmente no que se refere ao gerenciamento energético e à própria configuração das inúmeras opções de configuração de conectividade. Este trabalho tem o objetivo de conceber estratégias baseadas em aprendizado de máquina capazes de explorar com eficiência o desempenho da MC nos casos de uso do 5G eMBB (enhanced Mobile Broadband) e URLLC (Ultra Reliable Low Latency Communications) em redes heterogêneas. A ideia é configurar dinamicamente o melhor conjunto de parâmetros do MC para proporcionar aumento da vazão de dados (alvo do eMBB) e uma conexão mais robusta (alvo do URLLC), sendo relevante em cenários com a presença de small cells usando mmWaves, por exemplo, ambos considerados essenciais para atender as especificações do 5G. |
