Gestión de Tráfico mMTC en Redes 5G con Cancelación de Interferencias y Control de Acceso Inteligente.

Abstract

[ES] El objetivo del TFG es analizar la aplicación de técnicas de aprendizaje reforzado (reinforcement learning) para la gestión de la congestión del tráfico mMTC en redes 5G, que utiliza un protocolo de acceso del tipo `grant-free¿ y successive interference cancellation (SIC). Se estudiará un escenario con tráfico heterogéneo proveniente de clusters de `user equipments¿ (UE) a diferentes distancias de la estación base (BS). La subtrama de acceso `upstream¿ se percibe como ranurada en el tiempo, y compuesta de un número fijo de slots temporales. Los sensores activos (con paquetes para transmitir) deciden si contienden en cada trama, en función de una probabilidad de acceso que difunde periódicamente la BS. En caso de contender, seleccionan un slot de la trama ascendente con igual probabilidad. La BS utiliza técnicas SIC cuando varios sensores transmiten sobre el mismo slot, con el objetivo de decodificar el mayor número de paquetes posible. La diversidad espacial de los sensores ayuda a decodificar un número de paquetes mayor a cero, que correspondería al caso clásico de colisiones múltiples en el mismo slot. Adicionalmente, se diseñará un control de acceso adaptativo basado en técnicas de `Reinforcement Learning¿ que optimice el número de paquetes que acceden en la misma trama, con el objetico de reducir las colisiones y el gasto energético y, por tanto, maximizar la vida útil de la batería de los sensores. El tráfico generado por los sensores es transitorio y seguirá las directrices del 3GPP, con poblaciones de 20 o 30 mil sensores por BS. Los sensores, una vez han conseguido transferir su paquete, desaparecen del sistema. Los parámetros de prestaciones elegidos por el 3GPP son: i) número medio de transmisiones con éxito por subtrama; ii) número medio de colisiones experimentadas por UEs que accede con éxito; iii) retardo de acceso (media y percentil del 95%); i) fracción de UEs que completan un acceso exitoso.

[EN] The objective of the TFG is to analyze the application of reinforcement learning techniques for the congestion management of mMTC traffic in 5G networks, which uses a 'grant-free' access protocol and successive interference cancellation (SIC). A scenario with heterogeneous traffic coming from clusters of 'user equipment' (UE) at different distances from the base station (BS) will be studied. The upstream access subframe is perceived as time-slotted, and composed of a fixed number of time slots. Active sensors (with packets to transmit) decide whether to contend at each frame, based on an access probability that is periodically broadcast by the BS. In case of contention, they select a slot from the ascending frame with equal probability. The BS uses SIC techniques when several sensors transmit over the same slot, in order to decode the largest possible number of packets. The spatial diversity of the sensors helps to decode a number of packets greater than zero, which would correspond to the classic case of multiple collisions in the same slot. Additionally, an adaptive access control based on 'Reinforcement Learning' techniques will be designed to optimize the number of packets that access in the same frame. The aim is to reduce collisions and energy expenditure and, therefore, maximizing the useful life of sensor batteries. The traffic generated by the sensors is transient and will follow the 3GPP guidelines, with populations of 20 or 30 thousand sensors per BS. The sensors, once they have managed to transfer their package, disappear from the system. The performance parameters chosen by 3GPP are: i) average number of successful transmissions per subframe; ii) average number of collisions experienced by UEs successfully accessing; iii) access delay (mean and 95% percentile); i) fraction of UEs that complete a successful access.