Publicado:
2023-04-11Número:
Vol. 20 Núm. 1 (2023)Sección:
Investigación y DesarrolloAlgoritmos de aprendizaje automático para optimizar las redes 5G: Desarrollo y evaluación del rendimiento
Machine learning algorithms for optimizing 5G networks: Development and performance evaluation
Palabras clave:
Aprendizaje Automático, Redes 5G, Optimización de Redes, Gestión de Recursos, Calidad del Servicio (es).Palabras clave:
Machine Learning, 5G Networks, Network Optimization, Resource Management, Quality of Service (en).Descargas
Resumen (es)
La optimización de las redes 5G es un desafío crítico para asegurar su rendimiento y capacidad de adaptación a diversas demandas. Con la complejidad creciente de estas redes, los algoritmos de aprendizaje automático (AA) ofrecen soluciones innovadoras para la gestión dinámica de recursos, la mitigación de interferencias y la mejora de la calidad del servicio (QoS). Este artículo explora el desarrollo y la evaluación de distintos algoritmos de AA aplicados a la optimización de redes 5G. Se analizan algoritmos supervisados, no supervisados y de aprendizaje por refuerzo, destacando su aplicabilidad en contextos específicos de la red. Además, se abordan las métricas de rendimiento utilizadas para evaluar la eficacia de estos algoritmos, como la tasa de error, el tiempo de respuesta y el uso de recursos. A través de simulaciones y pruebas en entornos reales, se discuten los resultados obtenidos y se comparan con métodos tradicionales. Este análisis integral revela que, aunque los algoritmos de AA muestran un gran potencial, existen desafíos relacionados con la escalabilidad y la complejidad computacional que requieren una mayor investigación. La implementación efectiva de estos algoritmos podría revolucionar la forma en que se gestionan las redes 5G, impulsando su eficiencia y rendimiento en escenarios de alta demanda.
Resumen (en)
Optimization of 5G networks is a critical challenge to ensure their performance and adaptability to various demands. With the increasing complexity of these networks, machine learning (ML) algorithms offer innovative solutions for dynamic resource management, interference mitigation and quality of service (QoS) improvement. This paper explores the development and evaluation of different ML algorithms applied to 5G network optimization. Supervised, unsupervised and reinforcement learning algorithms are analyzed, highlighting their applicability in specific network contexts. In addition, performance metrics used to evaluate the effectiveness of these algorithms, such as error rate, response time and resource usage, are addressed. Through simulations and tests in real environments, the results obtained are discussed and compared with traditional methods. This comprehensive analysis reveals that, although AA algorithms show great potential, there are challenges related to scalability and computational complexity that require further investigation. Effective implementation of these algorithms could revolutionize the way 5G networks are managed, boosting their efficiency and performance in high-demand scenarios.
Referencias
Sharma, P., Jain, S., Gupta, S., & Chamola, V. (2021). Role of machine learning and deep learning in securing 5G-driven industrial IoT applications. Ad Hoc Networks, 123, 102685.
González, J., & Salamanca, O. (2016). El camino hacia la tecnología 5G. Télématique, 15(1), 27-47.
Abidi, M. H., Alkhalefah, H., Moiduddin, K., Alazab, M., Mohammed, M. K., Ameen, W., & Gadekallu, T. R. (2021). Optimal 5G network slicing using machine learning and deep learning concepts. Computer Standards & Interfaces, 76, 103518.
Constaín, S., Gaviria, I. A. M., Jiménez, G. C. R., Trujillo, L. F., Medina, J. G. B., Tovar, P. E. T., ... & Mora, O. I. A. (2019). Plan 5g Colombia el futuro digital es de todos. Ministerio de Tecnologías de la Información y las Comunicaciones: Bogotá, Colombia, 93.
Morales, J. W. A., Morales, J. C. A., & Quiñónez, B. C. (2020). La tecnología 5G en el Ecuador. Un análisis desde los requerimientos 5G. Polo del Conocimiento: Revista científico-profesional, 5(2), 805-822.
Aranda, J., Sacoto-Cabrera, E. J., Haro-Mendoza, D., & Astudillo-Salinas, F. (2021). Redes 5G: una revisión desde las perspectivas de arquitectura, modelos de negocio, ciberseguridad y desarrollos de investigación. Revista Digital Novasinergia, 4(1), 6-41.
Bega, D., Gramaglia, M., Banchs, A., Sciancalepore, V., & Costa-Perez, X. (2019). A machine learning approach to 5G infrastructure market optimization. IEEE Transactions on Mobile Computing, 19(3), 498-512.
Alcalá Álvarez, A. (2021). Connectivity Automation for 5G Networks (Bachelor's thesis).
Al-Shaikhli, A., Esmailpour, A., & Nasser, N. (2016, May). Quality of service interworking over heterogeneous networks in 5G. In 2016 IEEE international conference on communications (ICC) (pp. 1-6). IEEE.
Kaur, J., Khan, M. A., Iftikhar, M., Imran, M., & Haq, Q. E. U. (2021). Machine learning techniques for 5G and beyond. IEEE Access, 9, 23472-23488.
Ye, Q., Li, J., Qu, K., Zhuang, W., Shen, X. S., & Li, X. (2018). End-to-end quality of service in 5G networks: Examining the effectiveness of a network slicing framework. IEEE Vehicular Technology Magazine, 13(2), 65-74.
Boulogeorgos, A. A. A., Alexiou, A., Merkle, T., Schubert, C., Elschner, R., Katsiotis, A., ... & Rodrigues, F. (2018). Terahertz technologies to deliver optical network quality of experience in wireless systems beyond 5G. IEEE Communications Magazine, 56(6), 144-151.
Jamalzadeh, M., Ong, L. D., & Nor, M. N. B. M. (2018). 5G Technologies: A new network architectures and design. Journal of Internet Technology, 19(7), 1983-1991.
Lieira, D. D., Quessada, M. S., Cristiani, A. L., & Meneguette, R. I. (2021). Algorithm for 5G resource management optimization in edge computing. IEEE Latin America Transactions, 19(10), 1772-1780.
Tamayo, R. G. P. (2017). 5G: Una nueva generación para una nueva sociedad. Hamut'ay, 1(1), 28-32.
Moysen, J., & Giupponi, L. (2018). From 4G to 5G: Self-organized network management meets machine learning. Computer Communications, 129, 248-268.
Nassef, O., Sun, W., Purmehdi, H., Tatipamula, M., & Mahmoodi, T. (2022). A survey: Distributed Machine Learning for 5G and beyond. Computer Networks, 207, 108820.
Sanchez, J. M. (2021, May). Mobile revolution: From 2G to 5G. In 2021 IEEE Colombian Conference on Communications and Computing (COLCOM) (pp. 1-6). IEEE.
Olwal, T. O., Djouani, K., & Kurien, A. M. (2016). A survey of resource management toward 5G radio access networks. IEEE Communications Surveys & Tutorials, 18(3), 1656-1686.
Balkus, S. V., Wang, H., Cornet, B. D., Mahabal, C., Ngo, H., & Fang, H. (2022). A survey of collaborative machine learning using 5G vehicular communications. IEEE Communications Surveys & Tutorials, 24(2), 1280-1303.
Zhang, H., Liu, N., Chu, X., Long, K., Aghvami, A. H., & Leung, V. C. (2017). Network slicing based 5G and future mobile networks: Mobility, resource management, and challenges. IEEE communications magazine, 55(8), 138-145.
Yu, S., Chen, X., Zhou, Z., Gong, X., & Wu, D. (2020). When deep reinforcement learning meets federated learning: Intelligent multitimescale resource management for multiaccess edge computing in 5G ultradense network. IEEE Internet of Things Journal, 8(4), 2238-2251.
Morocho-Cayamcela, M. E., Lee, H., & Lim, W. (2019). Machine learning for 5G/B5G mobile and wireless communications: Potential, limitations, and future directions. IEEE access, 7, 137184-137206.
Gupta, A., Ghanshala, K., & Joshi, R. C. (2021). Machine learning classifier approach with gaussian process, ensemble boosted trees, SVM, and linear regression for 5g signal coverage mapping. IJIMAI, 6(6), 156-163.
Cómo citar
IEEE
ACM
ACS
APA
ABNT
Chicago
Harvard
MLA
Turabian
Vancouver
Descargar cita
Visitas
Descargas
Licencia
Derechos de autor 2023 Revista Vínculos
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
2.png)
Este obra está bajo una licencia Creative Commons Atribución 4.0
