Análisis comparativo de algoritmos de aprendizaje máquina y su aplicación en sistemas de compensación de carga social-conscientes para redes móviles de última generación

Abstract

El 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 prueba