Machine learning based handover management for LTE Networks with coverage Holes

• Ano de defesa: 2018
• Autor(a) principal: Guerra, Tarciana Cabral de Brito
• Orientador(a): Sousa Júnior, Vicente Ângelo de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
• País: Brasil
• Palavras-chave em Português: Handover; LTE; Falhas de cobertura; Aprendizado de máquina; ns-3
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: https://repositorio.ufrn.br/jspui/handle/123456789/26678

Antigos paradigmas têm sido adaptados para atender à crescente demanda por acesso sem fio à internet de banda larga. Um deles, o Hierarchical Cell Structure (HCS), que já está sendo aplicado no LTE-A e é considerado imprescindível no 5G, consiste na instalação de diversos tipos de small cells, criando áreas de cobertura sobrepostas com as tradicionais macrocélulas. Devido à sua baixa potência de transmissão e a suas estações rádio base estarem instaladas em uma altura menor do que algumas construções, estando ocasionalmente internas a elas, as small cells são severamente afetadas pelos obstáculos próximos, tornando a Qualidade de Serviço (QoS) percebida pelos usuários sujeita a variações bruscas. Dado que os algoritmos clássicos de gerenciamento de mobilidade não conseguem prever essas flutuações na QoS, os mesmos se tornam ineficientes em tais cenários. Considerando a quantidade de informação sobre o desempenho das redes que está atualmente disponível e a evolução da capacidade de processamento em tempo real, um aperfeiçoamento das funcionalidades do LTE por meio da utilização de algoritmos baseados em aprendizado de máquina faz-se possível. Este trabalho propõe e avalia o desempenho de uma abordagem de handover baseada em aprendizado de máquina em um ambiente com a presença de obstáculos à propagação, simulado por meio do software ns-3. As técnicas de aprendizado aqui apresentadas conseguem aprender por meio de experiências passadas, sendo capazes de escolher qual eNB mais provavelmente oferecerá ao usuário a melhor QoS a longo prazo, mesmo em condições de propagação severas. A avaliação do desempenho constata que os esquemas propostos beneficiam substancialmente a QoS dos usuários em determinadas circunstâncias.