Deep-HO5GAero: Handover Inteligente em Redes de Estações Rádio-Base
5G Aéreas Montadas em UAVs: Uma Abordagem baseada em Aprendizado Profundo
Veículos Aéreos Não Tripulados, redes 5G, Handover, Deep
Learning e Reinforcement Learning.
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.