Estratégias de Handover Baseadas em Aprendizado de Máquina Aplicadas a Redes LTE com Falhas de Cobertura
Machine learning, coverage holes, LTE, Handover.
Antigos paradigmas têm sido adaptados para atender à crescente demanda por acesso sem fio à internet. Um deles, o Hierarchical Cell Structure (HCS), que já está sendo aplicado no LTE-A e é considerado para o 5G, consiste na instalação de diversos tipos de small cells, criando uma área de coberturas sobrepostas com macrocélulas. Devido à sua baixa potência de transmissão e à suas estações rádio base estarem instaladas em uma altura menor do que algumas construções, estando ocasionalmente internas a elas, as small cells são severamente afetadas pelos obstáculos próximos, tornando a Qualidade de Experiência (QoE) percebida pelos usuários sujeita a variações bruscas. Dado que os algoritmos clássicos de gerenciamento de mobilidade não conseguem prever essas flutuações na QoE, os mesmos se tornam ineficientes em tais cenários. Considerando a quantidade de informação sobre o desempenho das redes que está atualmente disponível e a evolução da capacidade de processamento em tempo real, um aperfeiçoamento das funcionalidades do LTE por meio da utilização de algoritmos baseados em aprendizado de máquina faz-se possível. Este trabalho propõe e avalia o desempenho de uma abordagem de handover baseada em aprendizado de máquina em um ambiente com a presença de obstáculos à propagação. As máquinas aqui apresentadas conseguem aprender por meio de experiências passadas, sendo capazes de escolher qual eNB mais provavelmente oferecerá ao usuário a melhor QoE a longo prazo, mesmo em condições de propagação severas. A avaliação de desempenho constata que os esquemas propostos beneficiam substancialmente a QoE dos usuários.