Banca de DEFESA: MARIA KATARINE SANTANA BARBOSA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: MARIA KATARINE SANTANA BARBOSA
DATA : 21/07/2023
HORA: 09:00
LOCAL: Virtual
TÍTULO:

Deep-HO5GAero: Handover Inteligente em Redes de Estações Rádio-Base 
5G Aéreas Montadas em UAVs: Uma Abordagem baseada em Aprendizado Profundo

PALAVRAS-CHAVES:

Veículos Aéreos Não Tripulados, redes 5G, Handover, Deep 
Learning e Reinforcement Learning.

PÁGINAS: 90
RESUMO:

Recentemente, os Veículos Aéreos Não Tripulados (UAVs) também estão 
assumindo a função de estações rádio-base aéreas, denominadas UAV-BS, 
viabilizando conectividade a usuários terrestres independentemente da 
infraestrutura celular tradicional. Espera-se que nas redes 5G atuais e nos 
futuros sistemas 6G, tais UAV-BSs formem redes aéreas para prover acesso 
sem fio de forma ubíqua em áreas remotas, desassistidas pelas operadoras ou 
zonas rurais, conectividade sem fio confiável para equipes de resgate em 
cenários de desastre, mais oportunidades de conectividade para carros 
conectados/autonômos e para os Sistemas de Transporte Inteligentes (ITS - 
Intelligent Transportation System), estenda e melhore 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, garantir 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. Dessa forma, obteve-se melhores indicadores de qualidade 
de canal (CQI – Channel Quality Indicator), ganhos em termos de métricas de 
QoS, como perda de pacotes e taxa de transferência, além da maior acurácia 
na obtenção dos tempos ideais para disparar o processo de handover.

MEMBROS DA BANCA:
Externo à Instituição - ANTÔNIO CORREIA DE SÁ BARRETO NETO - IFPE
Interno - 2298793 - KELVIN LOPES DIAS
Presidente - 1288283 - RENATO MARIZ DE MORAES