Salir
María de Luna, 3 - 50018 Zaragoza eina@unizar.es 976 761 864

TICRM 8: “Reinforcement Learning tools for 5G and beyond radio access networks: from concept to implementation”

El jueves 24 de febrero a las 12h tendrá lugar el seminario “Reinforcement Learning tools for 5G and beyond radio access networks: from concept to implementation, impartido por Irene Vilà

Este seminario hace el número 8 del Ciclo de Seminarios de Investigación y está coorganizado por el programa de doctorado TICRM (Tecnologías de la Comunicaciones y Redes Móviles) y la Cátedra RTVE (Radio Televisión Española) con apoyo del I3A (Instituto de Investigación de Ingeniería de Aragón), dentro de ciclo de seminarios de investigación TICRM 2021-22
 

Resumen Los sistemas 5G adoptan un amplio conjunto de nuevas características que permiten niveles de flexibilidad y eficiencia sin precedentes. Al mismo tiempo, la creciente complejidad de las redes 5G requiere herramientas que permitan su automatización. En este sentido, la inteligencia artificial (IA) y, más específicamente, los mecanismos de aprendizaje automático (ML) se han identificado como habilitadores clave de las redes 5G y su evolución. De hecho, la incorporación de herramientas de IA a la arquitectura RAN ya ha sido considerada por diversas iniciativas de estandarización, como la alianza Open RAN (O-RAN). En el caso de la Red de Acceso Radio (RAN), las técnicas de Aprendizaje Reforzado (RL), un subconjunto dentro del dominio ML, son de especial interés debido a su capacidad para resolver problemas de toma de decisiones de manera óptima.

En este contexto, este seminario comenzará introduciendo los principios fundamentales de RL y presentando los diferentes tipos de soluciones de RL. Seguirá con una discusión sobre los dominios de aplicabilidad de RL en las diferentes capas de la arquitectura RAN de próxima generación y las operaciones asociadas y los sistemas de soporte (OSS) para la gestión de red. Luego, se presentará una solución específica basada en RL profundo para el problema de capacidad compartida en escenarios de RAN slicing, que considera Deep Q-Network (DQN). Además de la definición algorítmica de la solución, se ilustrarán las capacidades de la solución para introducir nuevos segmentos de RAN y operar en escenarios de múltiples celdas. Tomando como referencia esta solución, se discutirán aspectos prácticos para implementar algoritmos basados en RL en la red real desde diversas perspectivas. Por un lado, se tratarán pautas sobre cómo llevar a cabo la etapa de formación de soluciones basadas en RL. Por otro lado, se explicará el entorno de implementación en el contexto de la estandarización actual que tienen 3GPP y O-RAN. Esto abarcará la descripción de las herramientas necesarias para desarrollar soluciones basadas en RL y las interfaces de acuerdo con las tecnologías especificadas en O-RAN y uso de contenedores en las soluciones basadas en RL utilizando Docker.

Los interesados en asistir podéis hacerlo presencialemente o a través de zoom