Un esquema de asignación de recursos basado en ML para la optimización de la energía en 5G NR

Área de la Ciencia:

• Ingeniería de las telecomunicaciones
• Ciencias de la computación
• Inteligencia artificial

Sus antecedentes:

• Las redes 5G New Radio (5G NR) se enfrentan a una creciente demanda de energía.
• La gestión eficiente de la energía es crucial para el funcionamiento sostenible de la red.
• El mantenimiento de la calidad del servicio (QoS) junto con el ahorro de energía presenta un desafío importante.

Objetivo del estudio:

• Proponer y validar un marco de optimización de la energía basado en el aprendizaje automático para 5G NR.
• Reducir el consumo de energía en las estaciones base 5G NR.
• Asegurar que las estrategias de reducción de la energía no comprometan los parámetros esenciales de calidad de servicio.

Principales métodos:

• Utilización de un algoritmo de árbol de clasificación y regresión (CART) para la previsión predictiva de la carga.
• Implementación de la reconfiguración dinámica de los recursos de la célula basada en la carga prevista de la red.
• Simulación de un diseño de red de conectividad dual entre bandas NR-NR para su validación.

Principales resultados:

• Se logró una reducción del 42,3% en el consumo de energía.
• Parámetros de Calidad de Servicio (QoS) mantenidos dentro de los umbrales especificados por el Proyecto de Asociación de Tercera Generación (3GPP).
• Validación cuantitativa del modelo propuesto mediante un estudio de caso de red simulado.

Conclusiones:

• El marco de aprendizaje automático propuesto optimiza efectivamente el consumo de energía en las redes 5G NR.
• La reconfiguración dinámica de los recursos de la célula impulsada por la previsión predictiva de la carga es una estrategia viable para el ahorro de energía.
• El algoritmo CART proporciona un método sólido para lograr reducciones significativas de energía sin sacrificar el rendimiento de la red.