En los sistemas 5G y posteriores, la segmentación de red (Network Slicing, NS) permite la operación simultánea de múltiples redes lógicas personalizadas para sectores verticales específicos sobre una infraestructura física común. En la red de acceso radio, los operadores necesitan prever el rendimiento de los segmentos para una (re)distribución eficiente de los recursos radio entre los mismos. En los últimos años, los modelos basados en el aprendizaje supervisado (Supervised Learning, SL) han mostrado un excelente rendimiento para tareas de predicción en diversos campos. Aun así, un análisis preliminar de las series temporales de indicadores de rendimiento (Key Performance Indicators, KPIs) a nivel de segmento es clave para seleccionar el predictor basado en SL óptimo. Este trabajo presenta un juego de datos de KPI a nivel de segmento creado con un simulador dinámico que emula una red de acceso de radio 5G realista con NS. El juego de datos incluye medidas históricas de varios KPI recopilados por célula y segmento durante 15 minutos de actividad de la red. Sobre él, se realiza un análisis de correlación cruzada, auto correlación y estacionalidad, con el objetivo de caracterizar las series temporales de KPIs recopilados a nivel de segmento. Los resultados han mostrado que algunos aspectos clave para el diseño de modelos de predicción (por ejemplo, el comportamiento estacional, la predictibilidad o la correlación entre distintos KPIs) dependen en gran medida de ambos la resolución temporal de los datos y del segmento. Se espera que modelos de predicción multi-KPI con detección automática de estacionalidad entrenados específicamente para cada segmento consigan los mejores resultados.
Buscar en Dimension