Linha de pesquisa: Sistemas de Computação

Resumo: A evolução das redes móveis e o aumento de sua complexidade têm tornado o ajuste fino do ambiente de Radiofrequência (RF) cada vez mais complexo. Com isso, há um esforço dos órgãos padronizadores e da indústria para a automação de processos trabalhosos e complexos, em especial o de otimização da cobertura da Radio Access Network (RAN) de um sistema celular. Algumas propostas, como a funcionalidade Minimization of Drive Tests (MDT), incluída nas últimas releases do Third Generation Partnership Project (3GPP), visam à obtenção de dados crus da rede de modo a viabilizar o desenvolvimento de ferramentas que automatizem um trabalho que até então é realizado por engenheiros especializados. Porém, como observado na prática, os dados de cobertura de RF são muitas vezes esparsos e não fornecem por si só informações abrangentes sobre a cobertura das células de modo a viabilizar uma análise criteriosa e metódica. Os principais problemas que levam à perda de eficiência de cobertura são os chamados overshooting, quando a célula cobre mais do que deveria, interferindo e reduzindo a capacidade das células vizinhas, e undershooting, quando a cobertura é muito menor do que deveria, causando falhas de serviço e subutilização dos recursos de redes. A proposta deste trabalho é apresentar a metodologia Automated Radio Coverage Analysis through Data-driven Evolution (ARCADE) que, baseando-se em dados de RF obtidos por quaisquer métodos (como MDT, drive tests (DTs) ou crowdsourcing), permite a determinação automática de uma configuração otimizada da rede por meio de um processo de otimização evolutiva, com o objetivo de maximizar sua eficiência operacional, de modo autônomo e sem intervenção humana. A proposta também tem como premissa que não há dados de projeto disponíveis (como altura de torres, direcionamento ou modelos de antenas, ou base de dados de terrenos), permitindo uma implementação auto-contida no próprio sistema celular. Isso elimina a dependência da confiabilidade e acuracidade desses dados e a necessidade de aquisição e integração dessas bases, simplificando a implementação da solução, além dos desvios esperados dos vários modelos matemáticos teóricos de predição de propagação normalmente usados hoje. Este trabalho pode ser dividido em três problemas distintos a serem investigados sucessivamente. O primeiro trata da obtenção dos dados diretamente da rede, em oposição ao tradicional método de DT, e propõe uma evolução na arquitetura do core network em suas próximas versões que viabilize a coleta e tratamento de informações que hoje não estão disponíveis para o uso em sistemas de analytics (internos ou externos à rede), juntamente com uma alternativa de implantação prática de um sistema de crowdsourcing. O segundo deles vem da necessidade de se ter um modelamento adequado do ambiente de RF com base em dados muitas vezes esparsos, dependendo do volume de usuários aderentes à funcionalidade ou ao aplicativo. Também temos que considerar que nos dados haverá pontos considerados como outliers, provenientes de erros de leitura ou processamento, ou mesmo de medidas muito esporádicas fora do contexto desejado (como por exemplo, de dispositivos de usuários localizados em terraços altos) e que podem distorcer radicalmente o modelamento das coberturas se não forem descartados. Além disso, as amostras também podem conter anomalias advindas de falhas de projeto, como células em overshooting (sobrecobertura) ou undershooting (subcobertura), sendo que essas anomalias devem ser corretamente representadas no modelo. O terceiro problema é, após mapeado o ambiente de RF, o de se determinar de forma automática um conjunto de ajustes de parâmetros de rede de forma a se obter a máxima eficiência de cobertura com qualidade – ou seja, cobertura da portadora com dominância efetiva sobre interferência – nesse sistema. Neste contexto, propõe-se nesta tese uma metodologia que abranja todos as etapas de um processo de auto-otimização que seja auto-contida no contexto de rede e com uma abordagem orientada a dados (data-driven), ou seja, que não dependa de modelagens matemáticas (por exemplo, modelos de propagação de rádiofrequências). Essa metodologia será proposta de maneira fim-a-fim, iniciando pelo exame da etapa de aquisição de dados, passando pelo modelamento do ambiente de RF através de métodos para extrapolação dos dados que excluam outliers mas preservem as representações de anomalias de rede e, por fim, propondo um método de otimização da RAN que resulte em uma configuração de rede com desempenho notavelmente superior com relação à configuração inicial. Os resultados mostram que, tanto a metodologia usada no modelamento é adequada ao problema proposto quanto o método para otimização mostrou um ganho muito significativo de qualidade de cobertura, com o ajuste (aumento ou redução) de potências das células do cluster, melhorando tanto a área coberta quanto a área com dominância de uma única servidora, situação ideal para redução da interferência de um sistema celular.

Link para a defesa: https://teams.microsoft.com/l/meetup-join/19%3ameeting_MGRiMWYxMjUtYmNmMi00NThlLWJjZmItNGZmYmJhM2NmMzVj%40thread.v2/0?context=%7b%22Tid%22%3a%22d05d4c80-da1e-4cd7-83a6-0d2094b20418%22%2c%22Oid%22%3a%22f9ee6396-169f-44c2-8c9d-bbe9faa42437%22%7d