Gestión de redes 5G basada en clasificadores de imágenes de aprendizaje profundo

Abstract

Los enfoques tradicionales de resolución de problemas de la red celular se han basado en el análisis de alarmas o métricas de rendimiento para identificar la causa de los fallos de la red. A diferencia de este esquema, la creciente disponibilidad de trazas equipos de usuario (UE) posicionadas añade una nueva dimensión al valor de este tipo de datos para su uso en tareas de gestión. De este modo, dicha información representada en forma de mapas resulta mucho más compleja de analizar que las clásicas series temporales de las métricas celulares. Por ello, su aplicación para la resolución de problemas sigue dependiendo en gran medida de la interpretación de expertos humanos. Con el fin de poder obtener el máximo aprovechamiento que estas nuevas fuentes de información, el presente trabajo propone e implementa un marco de trabajo consciente de la localización que define los procesos necesarios para transformar trazas posicionadas en un formato visual denominado Imagen Sintética de Estado de red (ISE). Estas imágenes se utilizan como entrada para mecanismos de clasificación de aprendizaje profundo con el fin de proporcionar una gestión de la red celular mejorada. Este marco se evalúa bajo diferentes condiciones y configuraciones, mostrando las capacidades del enfoque para apoyar el diagnóstico supervisado de fallos como una de las posibles aplicaciones.