Data-Driven Design of Mobile Radio Access Networks via Bayesian Optimization

Aquesta tesi aborda el disseny de les xarxes d'accés ràdio (RAN) mitjançant tècniques basades en dades. Motivats per la creixent heterogeneïtat dels usuaris de la xarxa (UEs) i els nous casos d'ús —en particular, la connectivitat d’aeronaus no tripulades (UAVs)— proposem un marc basat en optimització bayesiana (BO) per millorar la cobertura, la capacitat i el rendiment de mobilitat de les RANs. En primer lloc, investiguem l’optimització bayesiana d’alta dimensionalitat (HD-BO) per configurar les inclinacions d'antena i les amplades de feix a mitja potència (HPBWs) en desplegaments densos d'estacions base (BS). Avaluem diversos mètodes HD-BO i mostrem que Trust Region BO (TuRBO) permet una optimització conjunta de centenars de paràmetres, superant els mètodes iteratius convencionals. Ampliem aquest treball a l’optimització multiobjectiu HD-BO (MORBO), demostrant la seva capacitat per generar una anàlisi completa del front de Pareto entre objectius contrastats com la cobertura dels UAVs i la capacitat dels equips d’usuari terrestres (GUEs). Els nostres resultats mostren que MORBO aconsegueix un bon equilibri fiabilitat-capacitat, especialment en escenaris de desplegament de corredors UAV. Per afavorir la generalització entre escenaris, explorem l’aprenentatge per transferència amb HD-BO. Reutilitzant dades d’optimitzacions prèvies, aconseguim una convergència més ràpida en nous escenaris, sempre que existeixi una similitud suficient entre la tasca origen i la tasca destí. A la segona part de la tesi, ens centrem en la gestió de la mobilitat. Apliquem HD-BO per ajustar conjuntament els valors de time-to-trigger (TTT) i l’offset A3 per cada BS. Experiments en desplegaments RAN reals confirmen que HD-BO és capaç de reduir els ping-pongs i les fallades d’enllaç ràdio, i generalitzar a diferents velocitats d’usuari mitjançant aprenentatge per transferència.