Decisão de Handover Orientada a QoE em Redes 5G com o uso de Estratégias Baseadas em Aprendizado de Máquina
ConcluídoNo contexto das redes móveis de próxima geração (p. ex. 5G), espera-se que os mecanismos de controle de mobilidade forneçam infraestruturas que se adaptem a uma ampla gama de requisitos impostos por dispositivos e aplicações heterogêneos. Um mecanismo que é central para essa adaptabilidade é o handover. Nesta fase crítica do gerenciamento do ciclo de vida da mobilidade, uma técnica apropriada para selecionar o ponto de acesso (PoA, do inglês Point of Attachment) mais apropriado precisa ser empregada para garantir que os dispositivos móveis sejam sempre melhores conectados. Entre as várias estratégias empregadas para resolver o problema de decisão de handover, o aprendizado de máquina (ML, do inglês Machine Learning) tem se mostrado bastante viável em termos de benefícios proporcionados por sua abordagem de tomada de decisão orientada para a qualidade. Em recente revisão da literatura, constatamos que inúmeros mecanismos de gerência de handover vem empregando técnicas de ML cegamente, sem nenhuma análise detalhada do desempenho que justificasse a abordagem adotada (dentre as diversas existentes) de acordo com o tipo de cenário/aplicação. Uma das principais razões para a adoção de técnicas de handover cega é a falta de estudos que possam informar pesquisadores e desenvolvedores sobre as principais diferenças entre as abordagens disponíveis. Para preencher essa lacuna este projeto propõe uma investigação abrangente da literatura sobre técnicas de ML no domínio das decisões de handover, fornecendo uma avaliação detalhada de sua performance além de perspectivas de aplicabilidade de acordo com os diversos cenários e principais aplicações emergentes (p. ex. tráfego multimídia) em termos da Qualidade de Experiência (QoE, do inglês Quality of Experience) do usuário.
Projeto importado do Suap em 24/03/2026 às 04:46 (há 1 semana, 2 dias)