Aprendizagem profunda aplicada a telecomunicações: classificação de modulação e controle de congestionamento

• Ano de defesa: 2019
• Autor(a) principal: NASCIMENTO, Ingrid Ariel Silva
• Orientador(a): KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Pará
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica
• Departamento: Instituto de Tecnologia
• País: Brasil
• Palavras-chave em Português: Redes de rádio cognitivo; Modulação digital; Redes de computadores; Telecomunicações
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: http://repositorio.ufpa.br/jspui/handle/2011/11857

O objetivo deste trabalho é explorar técnicas de Deep Learning (DL) aplicada a Telecomunicações. DL obtém sucesso comprovado em áreas como Visão Computacional e Detecção de Objetos. Torna-se portanto importante investigar a sua aplicação em problemas na área da Comunicação. Sendo assim, dois problemas distintos são examinados. No primeiro deles, DL é aplicada à Classificação de Modulação (CAM), onde o problema é detectar de forma automática o esquema de modulação adotado. CAM é importante, por exemplo, em Rádios Cognitivos e aplicações militares. Neste trabalho são discutidos benefícios e desvantagens de usar DL como alternativa para CAM, em especial comparando-se a eficiência de DL em relação a outros métodos de Aprendizado de Máquina. A outra aplicação de DL em comunicações é no Controle de Congestionamento. O contexto é o de Fronthaul em arquiteturas C-RAN, com o controle de congestionamento usado em prol do atendimento de requisitos estritos impostos à rede 5G. Mais especificamente, investiga-se a aplicação de DL juntamente com técnicas de Reinforcement Learning (RL). Neste tópico, a dissertação apresenta um arcabouço para investigações de controle de congestionamento em fronthaul, e a implementação de um modelo e respectivo ambiente utilizando NS-3 e a API Gym do grupo OpenAI para simulações. O arcabouço desenvolvido é validado com experimentos preliminares comparando métodos de Deep Reinforcement Learning (DRL) e métodos tradicionais de Controle de Congestionamento, utilizando-se índices como vazão e latência.