Machine Learning based Solutions for 5G Network Self-Management

Abstract

La primera parte de esta tesis se enfoca en el desarrollo de técnicas de auto-optimización que permitan optimizar la gestión de los recursos en escenarios donde la multi-conectividad se encuentra habilitada. Con este fin se desarrollan técnicas donde los nodos que proveerán datos de forma simultánea al usuario se elegirán de forma óptima, así como la cantidad de tráfico que cada uno de ellos proveerá al propio usuario. Estas técnicas tienen como objetivo superar el rendimiento obtenido por los métodos estandarizados o por otras metodologías propuestas en el estado del arte. Además, se propone una metodología que posibilita la optimización conjunta de la configuración de los nodos de diferentes redes de acceso con el objetivo de maximizar la cobertura y la capacidad disponibles en estos nuevos escenarios.

Por otro lado, la segunda parte de la tesis se enfoca en el desarrollo de técnicas de auto-curación. Dado el despliegue de un gran número de nodos que recogen métricas de rendimiento, para los operadores es primordial conocer si dicho rendimiento está siendo correcto o hay algún fallo en la red. Por tanto, esta tesis propone un sistema de detección de anomalías capaz de alertar de una posible degradación en la red en tiempo real. En el caso de que un error en una celda no permita a esta continuar operando y que los usuarios cursando servicios críticos se queden fuera de cobertura, una acción compensatoria debe realizarse mientras que la celda está siendo arreglada. Con este fin se propone una técnica basada en aprendizaje por refuerzo para que robots de una fábrica de la Industria 4.0 continúen desempeñando correctamente su función sin el soporte de la red móvil.