Defesa de Proposta de Tese de Doutorado de Diego Canizio Lopes, 17/03/2025, 9h, por videoconferência
Link para defesa: https://meet.google.com/eqs-txoa-com
Escalonamento de Recursos em Redes 5G: Uma Solução Baseada em Aprendizado por Reforço
Resumo:
A demanda por redes móveis mais eficientes e flexíveis impulsiona a necessidade de estratégias avançadas de alocação de recursos no contexto do 5G. Um dos principais desafios nesse cenário é garantir uma distribuição equilibrada da capacidade da rede, maximizando a vazão total sem comprometer a justiça entre os dispositivos conectados. Métodos tradicionais, como Round Robin (RR), Proportional Fair (PF) e Max Rate (MR), apresentam limitações quanto à adaptação dinâmica às condições da rede e ao equilíbrio entre eficiência e justiça. Nesse contexto, este trabalho propõe um escalonador de recursos baseado em aprendizado por reforço, denominado Fair Max Rate (FMR). O objetivo é otimizar a alocação de recursos com base na eficiência espectral de cada dispositivo, aumentando a vazão agregada da rede sem comprometer a justiça. Para isso, assegura-se uma vazão mínima a todos os usuários, garantindo que nenhum dispositivo fique em estado de inanição. Para avaliar o desempenho do escalonador proposto, foram realizadas simulações em um ambiente baseado em Python, utilizando a biblioteca stable-baselines3 para criação, treinamento e teste do agente de aprendizado por reforço. As métricas de avaliação incluíram vazão de rede e equidade, com o Índice de Jain como referência. Os resultados demonstram que o FMR proporciona um aumento de até 27,27% na vazão em comparação ao RR e uma alocação de recursos cerca de 10% mais justa que o MR. Além disso, o FMR supera o PF em termos de vazão agregada, mantendo um alto nível de equidade. A metodologia empregada e os resultados obtidos abrem possibilidades para a adaptação do escalonador em casos específicos, como aplicações com requisitos de baixa latência e dispositivos ligados à Internet das Coisas (IoT), destacando o potencial do aprendizado por reforço para otimização dinâmica em redes móveis.
Abstract:
The demand for more efficient and flexible mobile networks drives the need for advanced resource allocation strategies in the context of 5G. One of the main challenges in this scenario is to ensure a balanced distribution of network capacity, maximizing total throughput without compromising fairness among connected devices. Traditional methods, such as Round Robin (RR), Proportional Fair (PF), and Max Rate (MR), have limitations regarding dynamic adaptation to network conditions and the balance between efficiency and fairness. In this context, this work proposes a resource scheduler based on reinforcement learning, called Fair Max Rate (FMR). The goal is to optimize resource allocation based on the spectral efficiency of each device, increasing aggregate network throughput without compromising fairness. To achieve this, a minimum throughput is guaranteed for all users, ensuring that no device experiences starvation. To evaluate the performance of the proposed scheduler, simulations were conducted in a Python-based environment, using the stable-baselines3 library for the creation, training, and testing of the reinforcement learning agent. Evaluation metrics included network throughput and fairness, with the Jain Index as a reference. The results demonstrate that FMR provides an increase of up to 27.27% in throughput compared to RR and a resource allocation approximately 10% fairer than MR. Additionally, FMR outperforms PF in terms of aggregate throughput while maintaining a high level of fairness. The methodology employed and the results obtained open possibilities for adapting the scheduler to specific use cases, such as lowlatency applications and devices connected to the Internet of Things (IoT), highlighting the potential of reinforcement learning for dynamic optimization in mobile networks.
Banca examinadora:
Prof. Igor Monteiro Moraes, UFF – Presidente
Prof. Célio Vinicius Neves de Albuquerque, UFF
Prof. Rodrigo de Souza Couto, UFRJ
Prof. André Luiz Nasserala Pires, UFAC
Prof. Ian Vilar Bastos, UERJ