Deep-Ho5GAero: Handover inteligente em redes de estações rádio-base 5G aéreas montadas em UAVs : uma abordagem baseada em aprendizado profundo

Abstract

Recentemente, os Veículos Aéreos Não Tripulados ( Unmanned Aerial Vehicles - UAVs) também estão assumindo a função de estações rádio-base aéreas, denominadas UAV-BS, via- bilizando conectividade a usuários terrestres independentemente da infraestrutura celular tra- dicional. Espera-se que nas redes 5G atuais e nos futuros sistemas 6G, tais UAV-BSs formem redes aéreas para prover acesso sem fio ubíquo em áreas remotas, desassistidas pelas opera- doras ou zonas rurais, conectividade sem fio confiável para equipes de resgate em cenários de desastre, mais oportunidades de conectividade para carros conectados/autônomos e para os Sistemas de Transporte Inteligentes (ITS - Intelligent Transportation System), estendam e melhorem o sinal na borda da cobertura celular de BSs terrestres e, por fim, UAV-BSs podem ser empregados em áreas urbanas densas ou grandes eventos e shows. Manter a continuidade do serviço para os usuários terrestres atendidos por uma rede de UAV-BSs, em particular, ga- rantir QoS/QoE durante o procedimento de handover, é ainda mais desafiador para tais redes aéreas do que para as redes celulares terrestres pelos seguintes motivos: tanto as UAVs-BSs quanto os usuários terrestres podem estar em movimento, UAV-BS têm limitações de energia, a cobertura celular de UAV-BSs é reduzida, o que pode aumentar o efeito ping-pong e, por fim, os UAV-BSs vizinhos podem interferir na comunicação da UE com o UAV-BS servidora. Esta dissertação fornece uma análise de diferentes algoritmos de aprendizado profundo para resolver o problema de mobilidade e propõe estratégias de handover inteligentes para uma rede de UAV-BSs. Primeiramente, um canal de rádio ar-terra 5G é modelado. Em seguida, a dissertação propõe estratégias de aprendizado profundo supervisionado para gerenciamento de handover baseadas em Recurrent Neural Network - RNN, Gated Recurrent Unit - GRU e Long Short-Term Memory - LSTM para previsões de trajetória e sinal. Finalmente, uma estratégia de Deep Reinforcement Learning (Double Deep Q-Network - DDQN) sensível ao contexto, que combina mobilidade e parâmetros de rede, é elaborada. O estudo foi realizado com base em simulações de eventos discretos. A rede UAV-BS e mecanismos relacionados foram implementados por meio da adição de novos módulos e extensões das bibliotecas 5G Stand Alone(SA) do simulador OMNeT++. Os resultados indicam a eficácia e superioridade da proposta quando comparada ao procedimento de handover convencional de redes 5G e a soluções presentes em trabalhos relacionados que abordam sistemas UAV-BS em aproxi- madamente 75% menos pacotes perdidos e uma diminuição de 7% em relação ao atraso. Além disso, ao utilizar UAV-BS, obteve-se uma melhora de 31% nos indicadores de qualidade de canal (Channel Quality Indicator - CQI) e de aproximadamente 140% nos indicadores de interferência e ruídos (Signal-to-Interference-plus-Noise Ratio - SINR).