Gerenciamento de Tráfego em Redes Open RAN com Multi-Conectividade utilizando Aprendizado de Máquina
Open RAN, Aprendizado por Reforço, Conectividade Dupla, ns-3, 5G.
O atendimento simultâneo a serviços com exigências distintas, como a Banda Larga Móvel aprimorada (eMBB) e as aplicações de Realidade Estendida (XR), apresenta desafios substanciais para a gestão de recursos em redes móveis, particularmente em contextos dinâmicos de turismo e cidades inteligentes. As abordagens convencionais de Multi-Conectividade, baseadas em políticas fixas de divisão de tráfego entre Nó Mestre e Nó Secundário, revelam-se inadequadas em face de variações na demanda, ocasionando, com frequência, a subutilização de recursos ou a considerável deterioração da qualidade do serviço de aplicações prioritárias. Este estudo sugere uma abordagem de gerenciamento dinâmico de tráfego fundamentado na arquitetura Open RAN, empregando um algoritmo de Aprendizado por Reforço (Multi-Armed Bandit - MAB) integrado como um xApp no \textit{Near-Real Time RAN Intelligent Controller} (Near-RT RIC). A abordagem metodológica de prova de conceito utiliza uma plataforma de prototipagem que combina o simulador de redes ns-3 a uma implementação real do Near-RT RIC da \textit{O-RAN Software Community}, estabelecendo comunicação por meio da interface E2 e dos modelos de serviço E2SM-KPM e E2SM-RC. Simulações exploratórias demonstram que políticas estáticas de offloading reduzem a capacidade de suporte a usuários XR de 29 para 19 conexões em cenários de alta carga eMBB, evidenciando a necessidade de controle e gerência da rede em tempo real. O xApp apresentado nesta dissertação busca atingir a capacidade máxima do sistema ao utilizar o MAB para definir a melhor divisão de tráfego entre os nós da rede.