Notícias

Banca de DEFESA: RODRIGO DIAS ALFAIA

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: RODRIGO DIAS ALFAIA
DATA: 28/04/2023
HORA: 09:00
LOCAL: GOOGLE MEET
TÍTULO:

GERENCIAMENTO DE RECURSOS EM REDES MÓVEIS ASSISTIDAS POR UAV-BS: USO DE MACHINE LEARNING PARA PREVISÃO DE ESTAÇÕES BASE SOBRECARREGADAS COM BASE NO FLUXO TEMPORAL E ESPACIAL DE USUÁRIOS


PALAVRAS-CHAVES:

Machine learning, UAV-BSs, eNodeB, QoS, Fluxo temporal e espacial.


PÁGINAS: 117
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Elétrica
RESUMO:

O crescimento acelerado do tráfego de dados em decorrência das exigências dos serviços e aplicações que estão surgindo traz novos desafios para a rede sem fio. A fim de oferecer opções que consigam atender essa demanda, o Unmanned Aerial Vehicles (UAV) pode ser uma solução para dar suporte à rede móvel em situação de congestionamento, especialmente para auxiliar em cenários que a região esteja com altos picos de tráfego causados pelo fluxo temporal e espacial de usuários. Este artigo propõe um sistema inteligente baseado em machine learning utilizando UAV-base stations (UAV-BSs) para dar suporte temporário à rede móvel em regiões sofrendo com efeito de sobrecarga gerada pela alta densidade de usuários. O sistema considera duas etapas importantes, a Load Prediction Algorithm (LPA) e a UAV-BSs Clustering and Positioning Algorithm (UCPA). Na LPA, o histórico de carga gerada pela rede móvel é utilizado para prever as estações base (eNodeBs) que estão sobrecarregadas. Na UCPA é realizado o planejamento no qual é calculado a quantidade de UAV-BSs necessária, que é baseado em duas estratégias: naive e otimizada, além de calcular o posicionamento ideal para cada dispositivo que for solicitado a dar suporte para as eNodeBs sobrecarregadas. Para a previsão, utilizamos dois modelos, Generalized Regression Neural Network (GRNN) e o Random Forest (RF). Os resultados mostraram que ambos os modelos conseguiram prever com precisão. Destaca-se que o Random Forest foi melhor, com acurácia acima de 85% no geral. Os resultados mostraram que o sistema inteligente reduziu consideravelmente a sobrecarga das eNodeBs afetadas, melhorando a qualidade de serviço (QoS) e reduzindo a probabilidade de bloqueio dos usuários, além de definir um planejamento preventivo dos UAV-BSs, o que auxilia o escalonamento e a eficiência energética.


MEMBROS DA BANCA:
Presidente - 1353026 - CARLOS RENATO LISBOA FRANCES
Interno - 3439716 - DIEGO LISBOA CARDOSO
Interno - 2522772 - JASMINE PRISCYLA LEITE DE ARAUJO
Externo à Instituição - EVELIN HELENA SILVA CARDOSO
Externo à Instituição - HUGO PEREIRA KURIBAYASHI
Notícia cadastrada em: 17/03/2023 14:46
SIGAA | Centro de Tecnologia da Informação e Comunicação (CTIC) - (91)3201-7793 | Copyright © 2006-2024 - UFPA - morango.ufpa.br.morango2