Resumen
Los operadores de redes móviles tienen como objetivo: a) mantener servicios de comunicación fiables a pesar de las difíciles condiciones de comunicación, y b) mejorar continuamente el rendimiento de la red actualizando la configuración o la infraestructura de la misma. En cuanto al objetivo a), es posible que la red de acceso por radio no pueda garantizar la calidad de servicio (QoS) que requieren los usuarios debido a la naturaleza de los canales inalámbricos y el estado de la red. En cuanto al objetivo b), la integración de nuevas configuraciones de red (por ejemplo, basadas en inteligencia artificial/aprendizaje automático (IA/AA)) es costosa y lenta, ya que estas nuevas configuraciones requieren una validación del rendimiento antes de su despliegue.
Para lograr el objetivo a), se pueden utilizar modelos de predicción de la QoS esperada para inferir la QoS de los usuarios (por ejemplo, si se espera que un usuario experimente una QoS inferior a la que necesita), lo que activaría posteriormente a la red de acceso por radio para que asigne recursos de forma proactiva. Para lograr el objetivo b), se puede utilizar un modelo de red de acceso por radio eficiente y preciso para una rápida evaluación del rendimiento de la red, lo que permite una gestión más eficaz de la red y de los recursos de radio. Los métodos clásicos sin IA/AA para la predicción de la QoS y la modelización de la red de acceso por radio carecen de precisión debido a las limitaciones del modelo, lo que los hace inadecuados para alcanzar los objetivos a) y b). Los métodos de aprendizaje profundo, debido a la capacidad de su modelo, son adecuados para capturar relaciones complejas en las redes de acceso por radio y pueden abordar el déficit de modelos de los métodos clásicos sin IA/AA.
Existen varias limitaciones prácticas que restringen el uso de la IA/AA en las redes de acceso por radio. La disponibilidad de datos de entrenamiento y/o inferencia puede ser limitada debido a la señalización y la sobrecarga computacional. Además, la no estacionariedad de las distribuciones de datos de entrada debida a la movilidad de los usuarios motiva la necesidad de diseñar modelos de IA/AA que puedan lograr mejores niveles de generalización a entornos no vistos. Esta tesis estudia el diseño de modelos de IA/AA para la predicción de la QoS y la modelización de la red de acceso por radio con un sesgo inductivo de la comunicación inalámbrica en el proceso de aprendizaje más allá de la mera ingeniería de características. Con un enfoque de principios, el objetivo es lograr una complejidad de muestra y una complejidad computacional reducidas, así como una mejora de las capacidades de generalización. Para analizar el potencial que aportan estos servicios de IA/AA, esta tesis también investiga el diseño de aplicaciones de gestión de recursos de radio y de red que consumen dichos servicios de IA/AA.
Palabras clave
QoS prediction, resource allocation, wireless network modeling, heterogeneous graph neural network, network digital twins, beyond 5G, deep learning
