| Summary: | El presente proyecto de titulación se enfoca en el estudio y mejora del método de ac-
ceso aleatorio en redes 5G, aplicando dos enfoques para la administración dinámica
de preámbulos. En este contexto, los usuarios solicitan recursos de enlace ascenden-
te mediante la transmisión de preámbulos, los cuales se caracterizan por ser firmas
ortogonales. Sin embargo, un problema que se presenta es la posible congestión y
colapso de la red cuando múltiples firmas idénticas se transmiten en un corto pe-
ríodo de tiempo. El primer método consiste en el uso del aprendizaje supervisado
mediante la implementación de una red neuronal que determina una salida ante un
conjunto de datos que contienen información sobre los preámbulos que han benefi-
ciado previamente al sistema durante pruebas realizadas. La red neuronal procesa
esta información y genera salidas que indican qué preámbulos son más adecuados
para evitar colapsos y mejorar la probabilidad de acceso exitoso a los recursos de
enlace ascendente. El segundo método propuesto implica el uso del aprendizaje re-
forzado, que implementa una política para la administración de preámbulos basada
en Q-learning. En este enfoque, se emplea una función denominada Q que evalúa las
acciones tomadas en estados específicos del sistema. El sistema se retroalimenta
continuamente, reforzando aquellas elecciones que benefician al rendimiento del sis-
tema y castigando aquellas que lo perjudican. De esta manera, el sistema de acceso
aleatorio puede aprender a asignar preámbulos de manera más inteligente y efectiva,
adaptándose a las condiciones de la red y optimizando la utilización de los recursos
disponibles.
|
|---|