Por favor, use este identificador para citar o enlazar este ítem: https://dspace.unl.edu.ec/jspui/handle/123456789/28032
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorTorres Carrión, Renato Benjamín-
dc.contributor.authorLeón Bustamante, Milton Andrés-
dc.date.accessioned2023-09-27T16:54:20Z-
dc.date.available2023-09-27T16:54:20Z-
dc.date.issued2023-09-27-
dc.identifier.urihttps://dspace.unl.edu.ec/jspui/handle/123456789/28032-
dc.descriptionMobile load balancing (MLB) is a use case of Self-Organizing Networks (SON) whose objective is to maintain the good performance of the network by avoiding the appearance of overloaded cells, which can lead to a decrease in user experience due to the lack of resources. A key enabler for the implementation of MLB has been machine learning (ML), as it allows the network to learn what is the best configuration that can be adopted in case a load hotspot occurs and converge to an acceptable solution. However, in the past years, a new enabler that can boost the performance of ML algorithms has appeared: social-aware systems. In the hereby work, a systematic literature review is performed to explore current proposals of Machine Learning-based MLB algorithms that employ social-aware information for their operation. The aim is to identify their main characteristics, and based on them, determine their possible application scenarios. Finally, an urban test scenario is modeled, and a qualitative analysis is performed, using the defined characteristics, to define which algorithm would be more suitable to be implemented in the test scenario. Keywords: cellular networks, next generation networks, SON, load balancing, machine learning, social-aware.es_ES
dc.description.abstractEl balanceo de carga móvil (MLB) es un caso de uso de las Redes Autoorganizadas (SON) cuyo objetivo es el de mantener el buen desempeño de la red al evitar el aparecimiento de celdas sobrecargadas, las cuales pueden llevar a un empobrecimiento de la experiencia de usuario debido a la falta de recursos. Un habilitador clave para la implementación del MLB ha sido el aprendizaje máquina (ML), ya que permite que la red aprenda cuál es la mejor configuración que puede ser adoptada en el caso de la ocurrencia de una celda sobrecargada y converger a una solución aceptable. Sin embargo, en los últimos años, un nuevo habilitador que puede impulsar el desempeño de los algoritmos de ML ha aparecido: los sistemas social conscientes. En el presente trabajo, se realizó una revisión de literatura sistemática para explorar propuestas actuales de algoritmos de MLB basados en ML que emplean información social consciente para su operación. El objetivo es identificar sus características principales, y basados en ellas, determinar sus posibles escenarios de aplicación. Finalmente, se modeló un escenario urbano de prueba, y se realizó un análisis cualitativo, usando las características definidas, para definir cuál algoritmo sería más conveniente de ser implementado en el escenario de pruebaes_ES
dc.format.extent45 p.es_ES
dc.language.isoenes_ES
dc.publisherUniversidad Nacional de Lojaes_ES
dc.rightsopenAccesses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/ec/es_ES
dc.subjectREDES CELULARESes_ES
dc.subjectREDES DE NUEVA GENERACIÓNes_ES
dc.subjectSOCIAL CONSIENTESes_ES
dc.subjectBALANCEO DE CARGAes_ES
dc.subjectOPTIMIZACIÓN PROACTIVA DE LA REDes_ES
dc.titleAnálisis comparativo de algoritmos de aprendizaje máquina y su aplicación en sistemas de compensación de carga social-conscientes para redes móviles de última generaciónes_ES
dc.title.alternativeComparative analysis of machine learning algorithms and their application in social-aware load balancing systems for next generation mobile networkses_ES
dc.typemasterThesises_ES
Aparece en las colecciones: Maestrias FEIRNNR

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
MiltonAndres_ LeonBustamante.pdf1,36 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.