Publicado:
2023-09-21Edição:
v. 20 n. 2 (2023)Seção:
Investigación y DesarrolloAnálisis del Rendimiento de Redes 5G utilizando Machine Learning
Performance Analysis of 5G Networks using Machine Learning
Palavras-chave:
5G, Machine Learning, Redes móviles, Optimización de red, Inteligencia Artificial, Análisis predictivo (es).Palavras-chave:
5G, Machine Learning, Mobile networks, Network optimization, Artificial Intelligence, Predictive analytics (en).Downloads
Resumo (es)
Las redes 5G prometen revolucionar las telecomunicaciones al ofrecer una conectividad significativamente más rápida, confiable y eficiente en comparación con sus predecesoras. Sin embargo, la complejidad inherente de estas redes también presenta nuevos desafíos en cuanto a la gestión y optimización del rendimiento. Este artículo explora cómo el Machine Learning (ML) puede utilizarse para analizar y mejorar el rendimiento de redes 5G, abordando problemas como la congestión, la latencia, y la asignación eficiente de recursos. Se presentan ejemplos prácticos de implementación de modelos de ML en Python, utilizando bibliotecas como Scikit-learn y TensorFlow para predecir y optimizar el rendimiento de la red.
Resumo (en)
5G networks promise to revolutionize telecommunications by offering significantly faster, more reliable and efficient connectivity compared to their predecessors. However, the inherent complexity of these networks also presents new challenges in terms of performance management and optimization. This paper explores how Machine Learning (ML) can be used to analyze and improve the performance of 5G networks, addressing issues such as congestion, latency, and efficient resource allocation. Practical examples of implementing ML models in Python are presented, using libraries such as Scikit-learn and TensorFlow to predict and optimize network performance.
Referências
J. Navarro-Ortiz, Romero-Diaz, P., Sendra, S., Ameigeiras, P., Ramos-Munoz, J. J., & Lopez-Soler, J. M. (2020). A survey on 5G usage scenarios and traffic models. IEEE Communications Surveys & Tutorials, 22(2), 905-929.
M. Agiwal, M., Kwon, H., Park, S., & Jin, H. (2021). A survey on 4G-5G dual connectivity: Road to 5G implementation. Ieee Access, 9, 16193-16210.
V. Castillo, Calle, J. E. Pin, J. X. B., & Parrales, C. A. V. (2022). 5G tecnología inalámbrica que cambiará el mundo por completo. UNESUM-Ciencias. Revista Científica Multidisciplinaria, 6(3), 39-48.
J. Hodar, (2021). Desafíos de la tecnología 5G en el ámbito de la ciberseguridad. Cuadernos de Difusión, (45), 79-102.
J. Bobadilla, (2021). Machine learning y deep learning: usando Python, Scikit y Keras. Ediciones de la U.
A. Gupta, 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.
V. Gil-Vera, C. Seguro-Gallego, (2022). Machine learning aplicado al análisis del rendimiento de desarrollos de software. Revista Politécnica, 18(35), 128-139.
J. Preciado Velasco, Sistema clasificador de servicios 5G-B5G soportado por técnicas de machine learning, 2021.
V. Mirjalili, S. Raschka, (2020). Python machine learning. Marcombo.
J. M. Pineda, (2022). Modelos predictivos en salud basados en aprendizaje de maquina (machine learning). Revista Médica Clínica Las Condes, 33(6), 583-590.
Como Citar
IEEE
ACM
ACS
APA
ABNT
Chicago
Harvard
MLA
Turabian
Vancouver
Baixar Citação
Visitas
Downloads
Licença
Copyright (c) 2023 Revista Vínculos
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
4.png)
Este obra está sob uma licença Creative Commons Atribuição 4.0
