Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
Redes neuronales gráficas para la gestión de la movilidad O-RAN: un enfoque de predicción de enlaces
Created by
Haebom
Autor
Ana González Bermúdez, Miquel Farreras, Milan Groshev, José Antonio Trujillo, Isabel de la Bandera, Raquel Barco
Describir
En este artículo, proponemos un marco de traspaso proactivo (HO) para la gestión de la movilidad en entornos O-RAN. Para abordar el problema de la utilización ineficiente de los recursos de radio de las estrategias reactivas de HO (CHO, LTM) utilizadas en las redes 5G existentes, proponemos un método para seleccionar preventivamente una celda objetivo óptima mediante la predicción de enlaces entre celdas de usuario. Aplicamos varios tipos de redes neuronales de grafos (GNN) a la predicción de enlaces y verificamos su rendimiento comparando y analizando dos modelos GNN con conjuntos de datos reales. Presentamos información clave y futuras líneas de investigación para integrar la predicción de enlaces basada en GNN en la gestión de la movilidad O-RAN.
Takeaways, Limitations
•
Takeaways:
◦
Propuesta de un nuevo marco pre-HO para la gestión eficiente de la movilidad en entornos O-RAN
◦
La predicción de enlaces mediante GNN sugiere la posibilidad de reducir las fallas de HO y los efectos ping-pong y mejorar la eficiencia de los recursos inalámbricos.
◦
Confirmación de la viabilidad mediante la verificación del rendimiento del modelo GNN utilizando conjuntos de datos reales
•
Limitations:
◦
Se necesita más investigación para evaluar la aplicación real del entorno O-RAN y el rendimiento del marco propuesto.
◦
Es necesario un análisis en profundidad de la complejidad y el coste computacional del modelo GNN utilizado.
◦
Se requiere verificación de robustez para diversas condiciones de red y patrones de tráfico
◦
Es necesario tener en cuenta el tamaño y la calidad de los datos necesarios para entrenar un modelo GNN.
