24 abr 2025
14:00 Defesa de Mestrado Sala 85 do IC2
Tema
Detecção de Colisões e Priorização no Acesso Aleatório mMTC Inteligentes em redes celulares IoT
Aluno
Giancarlo Maldonado Cárdenas
Orientador / Docente
Nelson Luis Saldanha da Fonseca - Coorientador: Carlos Alberto Astudillo Trujillo
Breve resumo
O crescimento exponencial dos dispositivos de textitInternet of Things Internet of Things (IoT) nas redes celulares, impulsionado pela comunicação do tipo massive machine type communications (mMTC), apresenta desafios significativos de gerenciamento de recursos, especialmente durante o Random Access Procedure (RAP). Os altos volumes de tráfego aumentam as colisões de preâmbulo, levando a ineficiências e tentativas repetidas de Random Access (RA), o que deteriora o desempenho da rede. Esta dissertação apresenta uma nova solução para a detecção de colisões no processo de RA para mMTC, utilizando técnicas de aprendizado de máquina para melhorar a precisão da detecção e otimizar a alocação de recursos nas redes celulares.
Foram gerados e analisados três conjuntos de dados proprietários usando o MATLAB LTE System Toolbox para simular ambientes mMTC realistas, incluindo várias condições de canal, como os modelos Extended Pedestrian A (EPA) e Extended Typical Urban (ETU). Diversos classificadores de aprendizado de máquina foram empregados no estudo, incluindo Logistic Regression (LR), Support Vector Machines (SVM), Decision Trees (DT), Random Forest (RF), Naive Bayes, K-Nearest Neighbor (KNN), LightGBM, XG-Boost e Redes Neurais (NN). Os classificadores foram treinados e avaliados quanto à sua capacidade de detectar colisões. Entre eles, as Redes Neurais obtiveram a maior precisão equilibrada, com 98%, demonstrando desempenho superior em cenários de treinamento e teste.
Além disso, foram aplicadas técnicas avançadas de otimização de modelos, como Dynamic Range Quantization e Full Integer Quantization, para reduzir o tempo de inferência e o uso de memória. Estas técnicas tornaram a solução aplicável em ambientes com restrição de recursos e em tempo real, alcançando uma redução de até 99% no tempo de inferência. Na otimização do procedimento de RA, introduziu-se o conceito de Acesso Aleatório Ciente de Colisão. Integrou-se o modelo de aprendizado de máquina ao simulador LTE-Sim e introduziram-se dois algoritmos de priorização, que utilizam as informações de colisão inferidas para otimizar a alocação de recursos, priorizando preâmbulos sem colisões e garantindo uma rápida resolução dos conflitos. Esta estratégia adaptativa reduz a latência e melhora a eficiência do acesso à rede, sendo especialmente eficaz em cenários críticos com alta densidade de dispositivos.
A abordagem proposta melhora os métodos tradicionais baseados em correlação, oferecendo uma solução escalável e adaptável para redes de IoT dinâmicas e de alta densidade. Os resultados indicam que o aprendizado de máquina, combinado com estratégias de alocação inteligente de recursos, pode melhorar significativamente a eficiência da detecção de colisões, reduzir a latência da rede e otimizar a conectividade dos dispositivos. Esta tese contribui para procedimentos de RA mais robustos, promovendo o gerenciamento eficiente de recursos em redes celulares de IoT de última geração.
Banca examinadora
Titulares:
| Nelson Luis Saldanha da Fonseca | IC/UNICAMP |
| Diana Cristina González González | CEATEC/PUC-Campinas |
| Judy Carolina Guevara Amaya | IC/UNICAMP |
Suplentes:
| Allan Mariano de Souza | IC/UNICAMP |
| Juliano Araujo Wickboldt | INF/UFRGS |