Solução para concentração de usuários (hotspots) aplicando QLearning em técnicas ICIC baseadas em FFR

(1)

UNIVERSIDADEFEDERALDO RIO GRANDE DO NORTE

UNIVERSIDADEFEDERAL DORIOGRANDE DO NORTE

CENTRO DETECNOLOGIA

PROGRAMA DEPÓS-GRADUAÇÃO EMENGENHARIAELÉTRICA E DECOMPUTAÇÃO

Solução para concentração de usuários

(hotspots) aplicando Q-Learning em técnicas

ICIC baseadas em FFR.

Iago Diógenes do Rêgo

Orientador: Vicente A. de Sousa Jr.

Dissertação de Mestrado apresentada ao Programa de Pós-Graduação em Engenharia Elétrica e de Computação da UFRN (área de concentração: Telecomunicações) como parte dos requisitos para obtenção do título de Mestre em Ciências.

Número de ordem PPgEEC: M606

Natal, RN, maio de 2020

(2)

Rêgo, Iago Diógenes do.

Solução para concentração de usuários (hotspots) aplicando Q-Learning em técnicas ICIC baseadas em FFR / Iago Diógenes do Rêgo. - 2020.

71f.: il.

Dissertação (Mestrado) - Universidade Federal do Rio Grande do Norte, Centro de Tecnologia, Programa de Pós-graduação em Engenharia Elétrica e de Computação, Natal, 2020.

Orientador: Dr. Vicente Ângelo de Sousa Júnior.

1. ICIC Dissertação. 2. FFR Dissertação. 3. Hotspot -Dissertação. 4. Q-Learning - -Dissertação. 5. Aprendizado de Máquina - Dissertação. I. Sousa Júnior, Vicente Ângelo de. II. Título.

RN/UF/BCZM CDU 621.3:004

Universidade Federal do Rio Grande do Norte - UFRN Sistema de Bibliotecas - SISBI

Catalogação de Publicação na Fonte. UFRN - Biblioteca Central Zila Mamede

(3)

Aos meus pais e à Rapha,

esse foi pra vocês.

(4)

Agradecimentos

Ao Senhor da minha vida, que me sustenta e merece toda a glória, pois é Ele quem me capacita em todos meus projetos. Como diz o autor de Coríntios: "Assim, quer vocês comam, quer bebam, quer façam qualquer outra coisa, façam tudo para a glória de Deus". Sou muito grato pela orientação que recebi, que, na verdade, foi além de uma simples relação de ensino. Durante os anos que estive sob o olhar atento de Vicente, senti a construção de uma parceria valiosa. Sua proficiência nos mais diversos assuntos técnicos, sua grande disponibilidade e nossas (algumas vezes longas) conversas fizeram grande diferença na construção desse e de muitos outros trabalhos.

Aos meus amigos do GppCom, que muitas vezes ajudaram sem perceber, com longas discussões sobre os bugs do ns-3, os conceitos de C++ que pareciam simples à primeira vista ou sobre a difícil decisão de qual IDE usar (ou não usar). Destaco um agradecimento especial à Martins, que sempre esteve disponível, dando contribuições importantes a esse trabalho e à Sindolfo, que nunca hesitou em iniciar longas conversas para resolver bugs, discutir aspectos técnicos ou jogar conversa fora enquanto esperava a simulação terminar. Aos meus amigos de longa data, que estão sempre presentes nas conquistas e nos momentos difíceis, e que, mesmo desinteressados pelo assunto ou sem entender muita coisa, continuam a prestigiar momentos importantes em minha carreira acadêmica. À minha família, que tem grande participação em todas as minhas conquistas. Sei que muitos sacrifícios são feitos diariamente para garantir que eu possa me concentrar em meus trabalhos. Sem o suporte e apoio dos meus pais, o caminho até aqui seria certamente mais difícil. Agradeço também pela paciência e suporte de Rapha, que hoje está a par de muitos desafios do ns-3. Seu apoio é mais importante do que você imagina.

Por fim, agradeço ao Núcleo de Processamento de Alto Desempenho da UFRN (NPAD), que acelerou bastante o andamento do trabalho com o excelente serviço prestado e ao CNPq pelo apoio financeiro.

(5)

Resumo

Este trabalho tem como objetivo explorar técnicas de coordenação de interferência entre células, Inter-Cell Interference Coordination (ICIC), baseadas em reúso fracionário de frequência, Fractional Frequency Reuse (FFR), como solução para um cenário multi-celular que apresenta concentração de usuários variante ao longo do tempo. Inicialmente, apresenta-se o problema da alta concentração de usuários no cenário proposto, a fim de esclarecer o que as caracteriza e quais seus efeitos no sistema. Em seguida, o uso de múltiplas entradas e saídas, Multiple-Input Multiple-Output (MIMO), e de microcélulas é apresentado como solução clássica para o problema, levando à introdução do reúso fracionário de frequência e de técnicas ICIC que utilizam FFR. Um estudo preliminar sobre o ICIC é realizado, com o intuito de demonstrar sua eficiência em reduzir os efeitos da interferência co-canal e comparar as diferentes técnicas. A partir da análise comparativa, uma das técnicas é utilizada como objeto de um estudo estatístico que identifica quais dos seus parâmetros são relevantes para o desempenho do sistema. Finalizando as análises preliminares, um estudo é realizado para evidenciar o impacto da alta concentração de usuários no cenário proposto. Devido à característica dinâmica do sistema, este trabalho propõe uma solução baseada em técnicas de Aprendizado de Máquina, em que o algoritmo de ICIC tem seus parâmetros regulados automaticamente com o objetivo de manter a melhor SINR possível, Signal-to-interference-plus-noise ratio, dado que há o surgimento de zonas de alta concentração de usuários ao longo do tempo. Os resultados mostram que o Q-Learning promove um ganho significativo na SINR média, de todos os usuários e dos usuário dos hotspots com relação à simulação em que não há ajuste dinâmico dos parâmetros.

(6)

Abstract

This work aims to explore interference coordination techniques (Inter-Cell Interference Coordination, ICIC) based on Fractional Frequency Reuse (FFR) as a solution for a multi-cellular scenario with user concentration varying over time. Initially, we present the problem of high user concentration along with their consequences. Next, the use of Multiple-Input Multiple-Output (MIMO) and small cells are presented as classic solutions to the problem, leading to the introduction of fractional frequency reuse and existing ICIC techniques that use FFR. An exploratory analysis is presented in order to demonstrate the effectiveness of ICIC tecniques in reducing co-channel interference as well as to compare different techniques. A statistical study is conducted using one of the techniques from the first analysis in order to identify which of its parameters are relevant to the system performance. Additionally, another study is presented to highlight the impact of high user concentration in the proposed scenario. Because of the dynamic aspect of the system, this work proposes a solution based on Machine Learning. It consists on changing the ICIC parameters automatically to maintain the best possible Signal-to-interference-plus-noise ratio (SINR) in a scenario with hotspots appearing over time. The results show that the proposed Q-Learning algorithm increases the average SINR from all users and hotspot users when compared with a scenario without Q-Learning.

(7)

Sumário

Sumário i

Lista de Figuras iii

Lista de Tabelas iv

Lista de Acrônimos v

1 Introdução 1

1.1 Escopo e Objetivos do Trabalho . . . 2

1.2 Trabalhos Relacionados . . . 3

1.3 Organização da Dissertação . . . 5

2 Concentração de usuários nos sistemas de comunicação e soluções clássicas 6 2.1 Soluções clássicas para o problema de concentração de usuários . . . 8

2.1.1 Sistemas MIMO . . . 8

2.1.2 Microcélulas . . . 9

2.2 Reúso Fracionário de Frequência (FFR) . . . 10

2.3 Técnicas ICIC . . . 11

2.3.1 Full Frequency Reuse . . . 11

2.3.2 Hard Frequency Reuse . . . 11

2.3.3 Strict Frequency Reuse . . . 13

2.3.4 Soft Frequency Reuse . . . 13

2.3.5 Soft Fractional Frequency Reuse . . . 14

3 Modelagem do sistema e metodologia de prototipagem 16 3.1 Long-Term Evolution(LTE) . . . 16

3.1.1 Evolução do ICIC . . . 16

3.2 Ferramenta e metodologia de prototipagem . . . 17

3.2.1 Módulo do LTE no ns-3 . . . 17

3.2.2 ICIC no ns-3 . . . 18

3.3 Alterações feitas no ns-3 . . . 20

4 Resultados exploratórios e caracterização do problema 21 4.1 Comparação de desempenho dos algoritmos de ICIC . . . 21

4.1.1 Cenário de avaliação . . . 21

4.1.2 Análise de resultados . . . 24 i

(8)

4.2 Análise paramétrica do Strict Frequency Reuse . . . 28

4.2.2 Análise 2k fatorial . . . 29

4.2.3 Análise paramétrica . . . 30

4.3 Análise de dinamismo do hotspot . . . 33

4.3.2 Análise de resultados . . . 35

5 Solução Proposta e Análise de Prova de Conceito 37 5.1 Aprendizado de Máquina . . . 37

5.1.1 Aprendizado por Reforço (RL) . . . 38

5.2 Q-Learning . . . 39

5.3 Solução via Q-Learning . . . 40

5.4 Cenário de Avaliação . . . 42

5.5 Coleta e apresentação dos resultados . . . 44

5.6 Análise de Resultados . . . 45

6 Conclusões 50 6.1 Perspectivas e trabalhos futuros . . . 52

6.2 Produção acadêmica . . . 53

(9)

Lista de Figuras

2.1 Cenário de interferência entre células vizinhas. . . 7

2.2 Exemplos de cenários com hotspots em localizações diferentes. . . 7

2.3 Sistema com fator de reúso 3. . . 11

2.4 Exemplo de cenário com o NoOp. . . 12

2.5 Exemplo de cenário com o Hard. . . 12

2.6 Exemplo de cenário com o Strict. . . 13

2.7 Exemplo de cenário com a primeira variação do Soft. . . 14

2.8 Exemplo de cenário com a segunda variação do Soft. . . 15

2.9 Exemplo de cenário com o FfrSoft. . . 15

3.1 Visão geral de como o LTE é modulado no ns-3. . . 18

3.2 Pilha de protocolos do LTE no ns-3. . . 19

4.1 Cenário utilizado para comparação de desempenho dos algoritmos de ICIC. 22 4.2 10opercentil da vazão útil para usuários concentrados. . . 24

4.3 CDF da SINR para cenário com 10 usuários concentrados. . . 25

4.4 10opercentil da vazão útil para usuários dispersos. . . 26

4.5 CDF da SINR para cenário com 10 usuários dispersos. . . 27

4.6 Cenário de avaliação da Análise Paramétrica do Strict Frequency Reuse. . 28

4.7 Vazão útil média dos usuários na análise paramétrica. . . 31

4.8 Décimo percentil da vazão útil na análise paramétrica. . . 32

4.9 CDF da SINR para RsrqThreshold = 33 na análise paramétrica. . . 33

4.10 Cenário de avaliação da análise de dinamismo do hotspot. . . 34

4.11 Décimo percentil da vazão útil na análise dos hotspots. . . 36

5.1 Aprendizado por reforço. . . 39

5.2 Cenário de avaliação da solução proposta. . . 43

5.3 Cenário 1: Ganho de SINR. . . 45

5.4 Cenário 1: Vazão útil com e sem Q-Learning. . . 47

5.6 Cenário 2: Vazão útil com e sem Q-Learning. . . 48

5.7 Cenário 1: Ganhos percentuais da vazão útil. . . 49

5.8 Cenário 2: Ganhos percentuais da vazão útil. . . 49

(10)

Lista de Tabelas

4.1 Parâmetros dos algoritmos ICIC. . . 23

4.2 Parâmetros de simulação: comparação de desempenho dos algoritmos ICIC. 23 4.3 Parâmetros de simulação: Análise Paramétrica do Strict. . . 29

4.4 Valores de F0 para vazão média. . . 30

4.5 Valores de F0 para o décimo percentil. . . 30

4.6 Níveis dos fatores para a análise paramétrica. . . 31

4.7 Cenários da análise dos hotspots. . . 34

4.8 Parâmetros de simulação: Análise de cenário com hotspot. . . 35

5.1 Cenários de análise da solução proposta. . . 43

5.2 Parâmetros de simulação: Análise da solução proposta. . . 44

5.3 Usuários ativos a cada intervalo da simulação. . . 44

(11)

Lista de Acrônimos

MIMO Multiple-Input Multiple-Output

LTE Long Term Evolution

FFR Fractional Frequency Reuse

ICIC Inter-Cell Interference Coordination SINR Signal-to-interference-plus-noise Ratio

eNB e-NodeB

eMBB enhanced Mobile Broadband

ICI Inter-Cell Interference

eICIC enhanced Inter-Cell Intereference Coordination

QoS Quality of Service

UE User Equipment

ABS Almost Blank Subframes

CRE Cell Range Extension

HetNet Heterogeneous Network

OFDMA Orthogonal frequency-division multiple access

BER Error Bit Rate

mmWaves Millimiter Waves

HCS Hierarchical cell structure

CSG Closed Subscriber Group

3GPP 3rd Generation Partnership Project

NoOp No Operation

PLR Packet Loss Ratio

(12)

RSRQ Reference Signal Received Quality

RS Reference Signal

RB Resource Block

OFDM Orthogonal frequency-division multiplexing

HeNB Home eNode B

eICIC EnhancedICIC

feICIC Further Enhanced ICIC

NR New Radio

PRB Physical Resource Blocks

PRB Physical Resource Block

EPC Evolved Packet Core

E-UTRAN Evolved Universal Terrestrial Radio Access Network

MME Mobility Management Entity

S-GW Serving Gateway

P-GW Packet Data Network Gateway

RBG Resource Block Group

PDSCH Physical Downlink Shared Channel

DL Downlink

UL Uplink

QL Q-Learning

TTI Transmission Time Interval CDF Cumulative distribution function ANOVA Análise de Variância

ML Aprendizado de Máquina

RL Aprendizado por Reforço

GppCom Grupo de Pesquisa em Prototipagem Rápida de Soluções para Comunicação

(13)

LTE-U LTE Unlicensed

RRM Radio resource management

MDP Markov Decision Process

ARP action-replay process

PA Ponto de Acesso

PDU Protocol Data Unit

(14)

Capítulo 1

Introdução

De acordo com as previsões da Cisco (Cisco Systems Inc, 2011), em 2022 o tráfego oriundo de sistemas sem fio e dispositivos móveis representará 71% de todo o tráfego IP mundial. Além disso, entre 2017 e 2022, o tráfego de dados em redes móveis estará sete vezes maior, devido ao intenso compartilhamento e consumo de conteúdo, principalmente em serviços de vídeo. Estudos recentes (GSMA Association, 2019) preveem que, nos próximos sete anos, 1,4 bilhões de pessoas usarão internet móvel pela primeira vez, fazendo com que mais de 60% da população mundial seja usuária de internet móvel até 2025. Também é indicado uma mudança no perfil de consumo dos usuários. Mais pessoas estão consumindo conteúdo em vídeo por mais tempo e com maior frequência, principalmente em dispositivos móveis. De forma que, em 2024, o uso de dados móveis por usuário será cinco vezes maior.

Todavia, os smartphones não são os únicos responsáveis pelo aumento da demanda. De acordo com a GSMA Association (GSMA Association, 2019), entre 2018 e 2025, o número de conexões oriundas de dispositivos IoT irá triplicar, chegando a 25 bilhões e, com a recente chegada do 5G, espera-se um aumento no número de dispositivos conectados e na quantidade de serviços atendidos pela rede.

Logo, esse crescente aumento de demanda por tráfego tem exigido um aumento de capacidade. Sabe-se, pelo teorema de Shannon–Hartley (Shannon, 1998), que o aumento de banda disponível é a forma mais direta de aumentar a capacidade de um canal. Entretanto, devido à popularização de serviços que operam na faixa de radiofrequência, o espectro é um recurso deveras limitado, que precisa ser usado de forma eficiente.

Com a evolução dos padrões existentes de comunicação sem fio, diversas abordagens são apresentadas para aumentar a capacidade, como adicionar múltiplas antenas, realizar controle de potência, gerenciar os efeitos da interferência co-canal ao reusar o espectro e implementar modulações mais eficientes. Por exemplo, uma das propostas do Long Term Evolution (LTE) para aumentar a eficiência espectral é utilizar fator de reúso 1. Dessa forma, todas as células do sistema operam na mesma faixa de frequência. Caso o fator de reúso fosse 3, a banda disponível para cada célula seria 3 vezes menor, diminuindo a capacidade do canal. No entanto, o reúso 1 pode levar à baixa Signal-to-interference-plus-noise Ratio (SINR) principalmente para usuários que estão afastados da estação rádio base (chamada de e-NodeB (eNB) no LTE), devido à interferência oriunda das células vizinhas.

(15)

CAPÍTULO 1. INTRODUÇÃO 2

No entanto, abordagens que visam aumentar a capacidade também podem resultar em novos desafios, principalmente vinculados ao compromisso entre cobertura e qualidade de serviço. Dentre as principais demandas da próxima geração, a evolução da rede móvel, enhanced Mobile Broadband (eMBB), tem sido amplamente discutida e provavelmente será o foco das suas primeiras redes comerciais. Seus requisitos incluem altas taxas de transmissão sobre grandes extensões. Como a proposta do 5G é operar em altas frequências, haverá um confinamento natural da área de cobertura, o que poderá resultar no uso de mais pontos de acesso e, com isso, maior necessidade de mitigar os efeitos da interferência.

Por fim, outros aspectos que influenciam fortemente no desempenho dos sistemas móveis tem se tornado, muitas vezes, imprevisíveis ou variantes ao longo do tempo, como a demanda de tráfego e a quantidade ou disposição dos usuários. Grandes eventos, que duram desde horas até alguns dias, elevam repentinamente a concentração de usuários em um local, podendo ser ou não recorrente. Por exemplo, feiras de artesanato ao ar livre, festivais de música, complexos de restaurantes, jogos de futebol, comemorações em escolas, shoppings, etc.

Tradicionalmente, o planejamento para implantação de uma rede móvel está vinculado à construção de modelos com base na demanda de uma determinada região, sem levar em consideração que alguns parâmetros, como os citados acima, podem variar de forma inesperada. Em sistemas estáticos, o surgimento esporádico de áreas com alta concentração de usuários pode degradar consideravelmente a qualidade do canal, e consequentemente, a capacidade do sistema de servir seus usuários. Neste trabalho, o termo hotspot é utilizado para caracterizar essas regiões de alta densidade e não faz referência à existência de um novo Ponto de Acesso (PA). Além do aumento da demanda, devido ao aumento no número de usuários, há uma maior probabilidade de haver aumento de interferência, especialmente para sistemas com fator de reúso 1, sendo os usuários nas extremidades da região de cobertura os mais afetados.

1.1 Escopo e Objetivos do Trabalho

Nos cenários descritos acima, a interferência co-canal ou inter-célula, Inter-Cell Interference(ICI), i.e., a interferência causada por células utilizando a mesma frequência e ao mesmo tempo, é responsável por diminuir a SINR e, consequentemente, a capacidade da rede de comunicação sem fio. Com isso, foram desenvolvidas técnicas de coordenação de ICI, Inter-Cell Interference Coordination (ICIC), com controle sobre a frequência utilizada por cada célula, além da potência de transmissão. Essas técnicas utilizam Reúso Fracionário de Frequência, Fractional Frequency Reuse (FFR), pois divide a célula em regiões com bandas distintas a fim de reduzir a interferência.

O objetivo deste trabalho é demonstrar que técnicas ICIC ajustadas de forma dinâmica por meio de algoritmos de Aprendizado de Máquina podem ser utilizadas como solução para diminuição de SINR devido ao surgimento inesperado de hotspots.

Diante disso, o seguinte trabalho discutirá as seguintes perguntas:

(16)

quanto ao dinamismo da concentração e dispersão de usuários, o que acontece com o desempenho do sistema?

• Ténicas de ICIC que utilizam FFR conseguem melhorar o desempenho de um sistema com hotspots?

• Qual a estratégia de ICIC mais favorável para o ajuste de parâmetros?

• Quais parâmetros dessa técnica são mais apropriados para serem controlados em resposta à variação da concentração de usuários do cenário? Qual a faixa de valores possíveis de serem configurados para cada parâmetro selecionado?

• Qual a estratégia de aprendizado de máquina mais apropriada para definir dinamicamente os parâmetros do ICIC? Qual o ganho de desempenho ao usar aprendizado de máquina comparado a uma estratégia determinística?

Os estudos apresentados neste trabalho usam simulação como principal metodologia de prova de conceito, tendo como principal ferramenta o ns-3 (ns-3, 2020). Em sua terceira versão, o simulador de rede ns-3 foi desenvolvido especialmente para fins de pesquisa e uso educacional. Sendo um software de código livre, tem sido amplamente utilizado no meio acadêmico, pois fornece um ambiente de simulação maduro e bem documentado, que permite modelar sistemas bem próximos das suas especificações técnicas padronizadas mundialmente.

1.2 Trabalhos Relacionados

Cenários com alta densidade de usuários tem sido amplamente discutidos na literatura devido ao crescimento de grandes centros urbanos e do significativo aumento no número de usuários de redes sem fio em geral. Assim, a densificação da rede é apontada como uma abordagem eficiente para atender melhor à centros urbanos, inclusive para redes 5G (Al-Turjman et al., 2019). Logo, diversos trabalhos discutem maneiras de utilizar micro-células para melhorar o desempenho de sistemas com hotspots.

Os autores (Singh and Siva Ram Murthy, 2018) propõem um cenário em que há macrocélulas populadas com pico-células centradas em hotspots. O artigo aponta que a menor cobertura oferecida pelas pico-células gera um desbalanço entre a carga de usuários alocados para os dois tipos de células, sobrecarregando a macro. Assim, forma-se um anel de usuários ao redor da pico-célula que estão sendo servidos pela macro. Esses usuários sofrem alta interferência da pico-célula e são chamados de macro-VUEs (Victim UEs). Assim, são propostas duas técnicas dinâmicas de Enhanced ICIC (eICIC) usando duas métricas diferentes para melhorar o Quality of Service (QoS) dos macro-VUEs ao silenciar a pico-célula.

Em (López-Pérez et al., 2015) é simulado um cenário realístico com densidade de 300 usuários ativos por km2(grandes centros urbanos), em que metade dos usuários estão distribuídos uniformemente e a outra metade está distribuída uniformemente em hotspots circulares com raio de 40 m. O trabalho mostrou que para esse cenário é possível fornecer uma taxa média de 1 Gbps por User Equipment (UE). Porém, para a época de publicação do artigo, o trabalho ressalta que as condições simuladas não são aplicáveis pelo alto custo e baixa eficiência energética da solução.

(17)

Adicionalmente, os autores (Shirakabe et al., 2011) avaliam um cenário em que há macro-células com 3 setores cada, 4 pico-células por setor e parte dos usuários são alocados em hotspots centrados nas pico-células. O artigo propõe o uso de ICIC no domínio do tempo, utilizando Almost Blank Subframes (ABS), e o Cell Range Extension (CRE) para melhorar o desempenho e aliviar a carga da macro. Mostrou-se que para o CRE há um valor de offset apropriado para compensar o desbalanço entre as células. Além disso, para cada offset há um valor ótimo para a razão de subframes protegidos, de forma que, se os dois parâmetros são devidamente configurados, obtém-se praticamente o mesmo desempenho.

Outra estratégia utilizada para melhorar o desempenho de cenários com hotspots é o uso de múltiplas antenas. Em (Adhikary et al., 2015) considera-se o cenário de uma Heterogeneous Network (HetNet) em que as microcélulas operam na mesma frequência das macrocélulas. Todos os usuários são alocados em diversos hotspots e as microcélulas estão localizadas no centro de alguns desses hotspots, representando situações de deployment intencional. O trabalho foca em mitigar a interferência oriunda do uso de microcélulas usando um esquema de beamforming proposto em (Adhikary et al., 2013). Ele permite concentrar a energia de transmissão para hotspots desejados ao mesmo tempo em que cria oportunidade de transmissão para regiões em outra direção. Utilizando um cenário homogêneo e um cenário com hotspot, o trabalho de (Shen and Feng, 2017) introduz um algoritmo de escalonamento que combina beamforming (ajuste de direção e largura) com alocação de frequência. O foco do trabalho é maximizar a vazão de acordo com requisitos de QoS, comparando o algoritmo proposto com outras abordagens. Observa-se pelos resultados que o cenário com o hotspot é mais desafiador para todos os algoritmos. No entanto, o algoritmo proposto tem melhor desempenho em termos de complexidade e vazão.

O autor (Rüegg et al., 2016) propõe uma forma de servir UEs em um cenário urbano de hotspot utilizando Multiple-Input Multiple-Output (MIMO) virtual e colaboração entre os usuários da rede para transmissão, auxiliado por reúso espacial. Comparado com o uso tradicional de múltiplas antenas, procura evitar custos oriundos da necessidade de instalar antenas ou pontos de acesso dedicados aos hotspots. Além disso, o processamento é feito nas estações móveis, para que não seja necessário uma central de processamento. O protocolo proposto tem melhor desempenho quando comparado com técnicas tradicionais de offloading. No entanto, não há menção sobre problemas de privacidade e sobre o impacto do aumento de sinalização e processamento para o desempenho da rede ou consumo energético dos usuários.

Observa-se que, dentre os trabalhos citados, poucos discutem os impactos negativos relacionados ao surgimento de hotspot. No geral, a literatura tem apresentado soluções para os problemas introduzidos pelo uso das microcélulas, como citado nos parágrafos anteriores. Além disso, não foram encontrados trabalhos que apresentem o uso de FFR como principal método para melhorar o desempenho de um sistema com hotspots sem o uso de microcélulas.

É fato que o uso de microcélulas envolve diversos custos com planejamento e compra de equipamentos. Sistemas que utilizam múltiplas antenas também introduzem tais custos, além de depender, muitas vezes, de conhecimento prévio do canal. Nesse

(18)

contexto, o FFR torna-se uma boa alternativa pela simplicidade e eficiência, inclusive em cenários heterogêneos com alta densidade de usuários (Abdullahi et al., 2017). Esse é um dos argumentos que fundamenta a hipótese científica deste trabalho.

1.3 Organização da Dissertação

O documento é organizado como a seguir. O capítulo 2 apresenta o problema da alta concentração de usuários e qual seu impacto no desempenho do sistema, sendo também apresentadas algumas soluções clássicas e a solução proposta, o reúso fracionário de frequência. O capítulo 3 descreve como o problema é modelado no ns-3. Sequencialmente, o capítulo 4 discute os resultados exploratórios, os quais foram essenciais para a construção da solução proposta. O capítulo 5 descreve as escolhas feitas para a solução final e discute os resultados obtidos. Por fim, o capítulo 6 expõe as conclusões, responde às perguntas levantadas nesse capítulo e apresenta as perspectivas de trabalhos futuros.

(19)

Capítulo 2

Concentração de usuários nos sistemas

de comunicação e soluções clássicas

Como os recursos disponíveis para transmissão são limitados, existe um limite de quantos usuários podem ser atendidos por um sistema de comunicação multi-celular. Tradicionalmente, o reúso de frequência é usado para aumentar esse limite de capacidade, nascendo a necessidade de gerenciar a interferência co-canal. Interferência co-canal ocorre devido ao uso simultâneo do mesmo recurso de rádio por usuários distintos. Este trabalho é aplicado a sistemas LTE, cujo múltiplo acesso é baseado em Orthogonal frequency-division multiple access (OFDMA), sendo sujeito a interferência co-canal devido ao reúso de frequência por múltiplas células vizinhas no mesmo instante de tempo. Especialmente para o LTE, a interferência co-canal é um grande limitador de capacidade, pois utiliza fator de reúso 1. Isso significa que as eNBs reutilizam todo o espectro, de forma que usuários próximos podem interferir um no outro, mesmo que conectados a eNBs diferentes. Conforme ilustrado na Figura 2.1, os usuários da borda da célula são os mais afetados, pois recebem sinal interferente das células vizinhas muito próximas. Na Figura, observa-se que os usuários 3 e 4 (na borda da célula) recebem os sinais transmitidos e interferentes com potência similar, ao contrário dos usuários 1 e 2, que não sofrem interferência significativa.

Outro fator que tem efeito negativo sobre o desempenho do sistema é a disposição dos usuários, UEs, i.e., o quão concentrados estão. Conforme ilustrado na Figura 2.1, UEs que compartilham a mesma faixa de frequência sofrem interferência, que é mais danosa à medida que eles se aproximam da borda da célula, pois o sinal interferente será recebido com maior nível de potência, além da potência recebida útil ser menor. Consequentemente, o grande número de usuários em um hotspot pode gerar dois aspectos limitadores de capacidade, uma maior possibilidade de transmitirem na mesma frequência e uma menor potência útil rebebida, pois a potência útil pode ser dividida por mais usuários. Especialmente no enlace reverso (uplink), como o UE é o transmissor, a distância entre os usuários influencia diretamente na interferência co-canal. Assim, ambos os enlaces direto e reverso sofrem severamente se o hotspot for localizado na borda da célula.

Isto é, o impacto de um hotspot pode variar de acordo com sua localização referente às eNBs, sendo importante ressaltar que, apesar de impactar negativamente em qualquer

(20)

CAPÍTULO 2. CONCENTRAÇÃO DE USUÁRIOS E SOLUÇÕES CLÁSSICAS 7

Figura 2.1: Cenário de interferência entre células vizinhas.

Fonte: Próprio autor.

situação, o grau de impacto pode depender da localização do hotspot. Por exemplo, o cenário ilustrado na Figura 2.2a pode levar a resultados diferentes do cenário ilustrado na Figura 2.2b. No entanto, seja qual for seu posicionamento, o aparecimento de hotspots aumenta a interferência, gerando diminuição da SINR. Com isso, há um aumento na taxa de erro de bit, Error Bit Rate (BER), fazendo com que haja menor capacidade de tráfego. Por fim, deve-se considerar o aspecto dinâmico de regiões com alta concentração de usuários. Existem diversos cenários atuais que, além de introduzir os impactos detalhados, característicos de hotspots, apresentam o desafio da dinamicidade. Grandes centros urbanos não possuem simplesmente um fluxo variante de pessoas que se repete semanalmente, mas está repleto de situações extraordinárias que são de difícil previsão.

Figura 2.2: Exemplos de cenários com hotspots em localizações diferentes.

(a) Exemplo 1. (b) Exemplo 2.

(21)

Uma região que durante muitos meses possui uma distribuição uniforme de usuários pode mudar significativamente devido à uma feira de artesanato que a partir daquele momento irá acontecer semanalmente no mesmo local, um campeonato de futebol que muda de estado a cada ano, uma manifestação popular ou até mesmo um acidente que movimenta um grande número de pessoas ao seu redor. Nessas ocasiões, redes que são planejadas para operar de forma estática irão falhar em atender todos os usuários de forma satisfatória.

Além disso, há uma grande probabilidade de haver aumento de tráfego inerente por usuário em situações similares às descritas acima. Eventos como esses induzem um comportamento diferente nos usuários, levando-os a consumir mais banda devido, por exemplo, ao compartilhamento de fotos e/ou vídeos, agravando o cenário de alta demanda de tráfego.

2.1 Soluções clássicas para o problema de concentração

de usuários

A seguir, são apresentadas de forma sucinta algumas soluções clássicas para o problema de regiões com alta concentração de usuários. Em seguida, o FFR será introduzido como uma alternativa.

2.1.1 Sistemas MIMO

Sistemas MIMO caracterizam-se pelo uso de múltiplas antenas na transmissão e recepção com o objetivo de mitigar os efeitos negativos do canal e/ou multiplexar a transmissão de dados. O primeiro objetivo é materializado pelo aumento da diversidade1 dos sinais que chegam ao ponto de recepção (Cavalcanti et al., 2018). Portanto, o uso de múltiplas antenas permite o desenvolvimento de técnicas que exploram as vantagens da diversidade espacial (Adhikary et al., 2013), usando a alta variabilidade característica de canais sem fio como uma ferramenta para melhorar o desempenho do sistema (Diggavi et al., 2004). Já o segundo objetivo, explora a multiplexação espacial, usando as múltiplas antenas para criar canais paralelos de envio de dados úteis.

Consequentemente, dado que há um espaçamento mínimo entre as antenas, pode-se obter em cada par Tx/Rx (Transmissão e Recepção) um canal que é independente ou que possui baixa correlação com os outros ramos de transmissão. Essa transmissão simultânea em uma mesma faixa de frequência possibilita aumentar a taxa de dados ou a confiabilidade da transmissão sem comprometer a eficiência espectral.

Portanto, em um cenário com presença de hotspots, é provável que haja um canal que esteja sofrendo menos interferência, de sorte que, utilizando o método de combinação mais adequado, consegue-se melhor desempenho. Por exemplo, um método simples se resume a selecionar qual ramo possui a melhor SINR (Cavalcanti et al., 2018). Além

1_{Diversidade é um conceito mais geral, podendo envolver ou não o MIMO, pois múltiplas transmissões}

(22)

disso, o uso de múltiplas antenas também pode ser explorado para o direcionamento de feixes para determinados usuários, evitando usuários interferentes (Adhikary et al., 2015). Sistemas modernos de comunicações sem fio apontam o MIMO como uma forma eficiente de aumentar a taxa de transmissão, especialmente em ambientes que sofrem efeitos do desvanecimento em pequena escala, como é o caso dos sistemas LTE com hotspots. De forma que o uso de múltiplas antenas tem sido proposto na literatura como peça fundamental para sistemas 5G (Muirhead et al., 2016), por meio de técnicas como o MIMO massivo, dado que o uso de ondas milimétricas, Millimiter Waves (mmWaves), irá viabilizar a manufatura de arranjos de antenas com um alto número de elementos (Yaacoub et al., 2016). No entanto, é uma solução de camada física, que requer investimento em hardware e muitas vezes exige conhecimento prévio do canal.

À vista disso, a proposta desse trabalho não é apontar o MIMO como uma técnica a ser substituída, mas mostrar que, para solucionar os problemas específicos apontados no capítulo anterior, o MIMO é uma técnica apropriada, podendo, inclusive, ser usada em conjunto com sistemas que utilizam MIMO.

2.1.2 Microcélulas

Para atender à crescente demanda por tráfego e o intenso aumento do número de usuários, especialmente em grandes centros urbanos, um conceito estendido de Hierarchical cell structure (HCS), chamado de Redes Heterogêneas, HetNet, tem sido discutido mesmo antes da padronização do LTE (Khandekar et al., 2010).

Redes heterogêneas caracterizam-se pela coexistência de diversos tipos de pontos de acesso, que, inclusive, podem ter diferentes tecnologias de acesso de rádio, se diferenciando em aspectos como cobertura e capacidade (Damnjanovic et al., 2011). Nesse contexto, as small cells são introduzidas como uma alternativa para aliviar a carga das macrocélulas, principalmente em hotspots e nas bordas das células (Erlinghagen et al., 2013), devido à alta incidência de interferência.

Assim, seu uso torna-se especialmente atrativo em meio a regiões urbanas que já apresentam capacidade limitada, em que os custos de implantação de um ponto de acesso convencional tornam-se muito elevados. De modo que, ao utilizar células menores, é viável fornecer maior cobertura para determinadas regiões e, devido à menor distância entre transmissor e receptor, é possível transmitir com menores níveis de potência, a fim de reduzir a interferência, dado que muitas dessas células operam na mesma faixa de frequência das macrocélulas.

Dois tipos de small cells têm obtido destaque em estudos recentes envolvendo HetNets: as femto-células e pico-células (Chandrasekhar et al., 2008; Al-Turjman et al., 2019; Mudassir et al., 2016). A primeira é tipicamente implantada pelo próprio usuário e, portanto, não é planejada, podendo ser aberta ou exclusiva para um grupo de usuários, Closed Subscriber Group (CSG). A segunda possui características de uma eNB comum, com menor área de cobertura e, portanto, menor potência de transmissão. As pico-células são comumente planejadas para cobrir áreas de alta concentração de usuários, também em ambientes internos, caso necessário.

(23)

5G. O uso de células menores, aumentando a densidade da rede, tem sido apontado como uma das soluções mais eficientes para auxiliar no cumprimento dos requisitos propostos para o 5G (Ree et al., 2019).

No entanto, a densificação da rede com a implantação de small cells impõe alguns desafios e nem sempre é necessária. Por exemplo, exige custos com planejamento e hardware, podendo também aumentar o número de handoffs desnecessariamente (Chang et al., 2017). A grande diferença de potência entre os tipos de células pode criar desvantagens para os usuários conectados às small cells. Por outro lado, a existência de CSGs pode criar regiões sem acesso nas femto-células, pois mesmo tendo cobertura, usuários que não pertencem àquele CSG não podem acessar o sistema.

2.2 Reúso Fracionário de Frequência (FFR)

Sistemas de comunicação sem fio tradicionalmente atendem toda a região de cobertura por meio de células que dispõem de uma faixa de frequência limitada para transmissão e recepção. Para fazer uso do espectro de forma eficiente, é comum utilizar fator de reúso 1, ou seja, todas as células do sistema utilizam toda a faixa de frequência disponível pela operadora.

Para diminuir os efeitos da interferência entre células, alguns sistemas aumentam o fator de reúso. Por exemplo, um sistema com fator de reúso 3 não permite que as células reutilizem a frequência a cada três células vizinhas, como ilustrado na Figura 2.3. No entanto, há uma queda significativa na eficiência espectral, visto que há apenas 1/3 da banda original disponível a cada célula.

Assim, o reúso fracionário de frequência subdivide a célula em diferentes regiões com diferentes fatores de reúso e potências de transmissão. O objetivo é melhorar a eficiência espectral do sistema ao mesmo tempo em que o fator de reúso é elevado, melhorando também a SINR. É importante ressaltar que o alvo das técnicas que utilizam FFR são os usuários da borda, visto que esses são os usuários mais afetados pela interferência co-canal.

A seguir serão apresentadas técnicas que utilizam FFR, conhecidas no LTE como Técnicas de Coordenação de Interferência entre Células ICIC. Os algoritmos que se seguem foram selecionados, pois, além de padronizados pelo 3rd Generation Partnership Project (3GPP) para o LTE, já estão implementados no simulador utilizado nesse trabalho (Gawłowicz et al., 2015). Além disso, tais algoritmos representam uma gama diversificada de estratégias ICIC (baseadas em FFR) possíveis de serem encontradas em sistemas LTE reais (Hamza et al., 2013). Os algoritmos são descritos em (Hamza et al., 2013; Kimura and Seki, 2012; Xie and Walke, 2009).

(24)

Figura 2.3: Sistema com fator de reúso 3.

2.3 Técnicas ICIC

2.3.1 Full Frequency Reuse

O Full Frequency Reuse, referenciado no Capítulo 3 como No Operation (NoOp), não é uma técnica que utiliza FFR. No entanto, representa a proposta original do reúso 1 do LTE, em que todas as células compartilham a mesma faixa de frequência e transmitem com o mesmo nível de potência, como ilustrado na Figura 2.4.

Caso o sistema apresente uma baixa carga de usuários, o NoOp pode apresentar a maior taxa de transmissão média, dado que há maior banda disponível por célula. Contudo, especialmente para os usuários da borda, a incidência de interferência pode resultar em baixos níveis de SINR e alto Packet Loss Ratio (PLR).

No Capítulo 4, o NoOp será utilizado como referência para avaliar o desempenho dos algoritmos que utilizam FFR.

2.3.2 Hard Frequency Reuse

O Hard Frequency Reuse (denominado de Hard) não cria regiões dentro de uma mesma célula, porém divide o espectro disponível de forma que células adjacentes não compartilhem banda, isto é, utiliza reúso 3. Todos os UEs servidos por uma célula estão alocados em bandas distintas das células vizinhas. Esse método é mostrado na Figura 2.5. Em termos de redução de interferência, essa estratégia é eficiente, pois mesmo os usuários

(25)

Figura 2.4: Exemplo de cenário com o NoOp.

mais distantes da eNB não irão sofrer interferência significativa das células co-canais. No entanto, a diminuição da banda que pode ser utilizada por cada célula pode reduzir severamente a vazão útil, dependendo da carga oferecida (Kimura and Seki, 2012).

A potência de transmissão para cada sub-banda também é um parâmetro importante das técnicas ICIC. Para o Hard, a potência de transmissão é igual para todas as sub-bandas.

Figura 2.5: Exemplo de cenário com o Hard.

(26)

2.3.3 Strict Frequency Reuse

O Strict Frequency Reuse (denominado de Strict) subdivide cada célula em duas regiões, como apresentado na Figura 2.6. A região interna (sub-banda comum) possui fator de reúso 1, de forma que os centros das células compartilham a mesma banda. A região externa (sub-banda privada), possui fator de reúso 3, com o objetivo de diminuir a interferência entre os usuários das bordas de células adjacentes, visto que estes, por estarem mais distantes da eNB, podem apresentar menor qualidade de recepção do sinal. Dessarte, os usuários da borda de células adjacentes não compartilham a mesma faixa de frequência.

Figura 2.6: Exemplo de cenário com o Strict.

Também é importante ressaltar que as sub-bandas são servidas com níveis de potência diferentes, sendo maior a potência de transmissão da região externa.

Por fim, para determinar se um usuário deve ser alocado para a sub-banda comum ou privada, utiliza-se o Reference Signal Received Quality (RSRQ). O RSRQ é um medidor de qualidade próprio do LTE, que, a partir do Reference Signal (RS), considera, em seu cálculo, diversos fatores como: ruído, potência do sinal interferente e número de Resource Blocks(RBs) ocupados. Define-se, então, um valor limite para o RSRQ, o RsrqThreshold. Caso um determinado usuário reporte um valor de RSRQ abaixo do limite, será alocado para a sub-banda privada (borda da célula). Caso contrário, será alocado para a sub-banda comum (centro da célula).

2.3.4 Soft Frequency Reuse

Assim como o Strict, o Soft Frequency Reuse (denominado de Soft) subdivide a célula em duas regiões. Todavia, a região externa não tem acesso exclusivo à uma faixa de frequência, como mostra a Figura 2.7.

(27)

As regiões externas de células adjacentes não compartilham a mesma banda e a potência de transmissão da região externa é maior. Como há compartilhamento de banda entre a borda e o centro, a região externa de cada célula pode ocupar até 1/3 da banda total sem interferir com as bordas das células adjacentes.

Há duas variações dessa técnica. A única diferença é que uma delas permite que a região externa compartilhe banda com o centro de todas as células (Figura 2.7), enquanto a outra permite que a borda compartilhe banda apenas com o centro das células adjacentes (Figura 2.8). Essa distinção pode ser observada de forma mais clara nas Figuras 2.7 e 2.8. Esse trabalho utiliza apenas a segunda variação dessa técnica.

O Soft Frequency Reuse, quando comparado à técnica Strict Frequency Reuse, pode resultar em uma melhor eficiência espectral, já que usa toda a banda do sistema para a região central. Entretanto, essa técnica aumenta o nível de interferência tanto nos usuários do centro quanto nos da borda da célula, e seu ganho será dependente da carga das células. A alocação dos usuários nas sub-bandas também é feita por meio do RsrqThreshold.

Figura 2.7: Exemplo de cenário com a primeira variação do Soft.

2.3.5 Soft Fractional Frequency Reuse

Nesta estratégia (denominada de FfrSoft), a célula é subdivida em três regiões distintas: central, média e externa, como mostra a Figura 2.9. De forma similar ao Strict Frequency Reuse, a região média possui fator de reúso 1 e a região externa possui fator de reúso 3. No entanto, a região central reutiliza as faixas de frequência utilizadas nas bordas das células adjacentes, visando tornar o uso de frequência ainda mais eficiente.

Assim como descrito nos algoritmos anteriores, o controle de potência tem um importante papel na sua execução, de forma que a potência de transmissão aumenta do centro para a borda da célula e a alocação dos usuários também é feita usado o RSRQ.

(28)

Figura 2.8: Exemplo de cenário com a segunda variação do Soft.

Figura 2.9: Exemplo de cenário com o FfrSoft.

(29)

Capítulo 3

Modelagem do sistema e metodologia de

prototipagem

3.1 Long-Term Evolution (LTE)

O LTE padrão de comunicação sem fio introduzido pelo 3GPP no Release 8. Ao contrário de seus predecessores, o LTE é baseado em comutação por pacotes, operando sobre o protocolo IP. Além disso, permite uma alta flexibilidade para uso do espectro, dado à novos esquemas de múltiplo acesso.

Desse modo, a estação base no LTE (eNB) utiliza como técnica de múltiplo acesso no downlinko OFDMA, no qual se utiliza sub-portadoras ortogonais para multiplexar dados de diferentes UE. Cada quadro do Orthogonal frequency-division multiplexing (OFDM) possui 10 ms e é composto por 10 sub-quadros, de 1 ms cada. Por fim, cada sub-quadro é formado por dois timeslots de 0,5 ms (Holma and Toskala, 2011).

Um aspecto importante do OFDMA é que os usuários podem ser alocados basicamente para qualquer uma das sub-portadoras no domínio da frequência. Mais que isso, a alocação é baseada em blocos, RBs, cada um sendo constituído por 12 sub-portadoras. As sub-portadoras são espaçadas em 15 kHz, resultando, então, na alocação de largura de banda mínima de 180 kHz. Assim, cada timeslot é formado por doze sub-portadoras e sete símbolos OFDM (com o prefixo cíclico normal) (Sesia et al., 2011).

Além disso, uma mudança importante do LTE é a nova interface, a interface X2, que provê sinalização direta entre estações bases. Por meio dela, o reúso fracionário implementado pelas técnicas de ICIC do LTE gerencia a distribuição de RBs para diferentes regiões (centro e bordas) de células vizinhas, ortogonalizando completamente e/ou gerenciando a potência entre transmissões co-canais (Holma and Toskala, 2012).

3.1.1 Evolução do ICIC

O ICIC foi introduzido pelo 3GPP no Release 8 por meio de um suporte implícito à coordenação de interferência (3GPP, 2009), dado que o LTE permite um maior controle da alocação de recursos nos domínios do tempo, frequência e potência. O Release 8 também introduziu a Home eNode B (HeNB), sendo similar ao conceito de femto-célula. Com

(30)

CAPÍTULO 3. MODELAGEM E METODOLOGIA DE PROTOTIPAGEM 17

isso, o Release 9 apresenta alguns estudos com o objetivo de aliviar a interferência entre a macro-célula e a HeNB.

Com o Release 10, o conceito de ICIC no domínio do tempo foi introduzido, com o nome de eICIC. O eICIC possui o mesmo objetivo do ICIC tradicional, ou seja, satisfazer a crescente demanda de tráfego tendo como alvo os usuários das bordas. Sua proposta é alocar usuários com maior incidência de interferência para transmitir utilizando o ABS, o qual é um subframe em que apenas sinais de controle e referência são transmitidos, em menor potência.

Adicionalmente, o Realease 11 apresenta o Further Enhanced ICIC (feICIC), com o objetivo de mitigar os efeitos da interferência ocasionada por alguns sinais de controle e sinalização que continuavam sendo transmitidos mesmo durante o ABS. Por isso, o eICIC e o feICIC são tratados como uma evolução do ICIC.

No entanto, apesar do surgimento dessas novas técnicas, o ICIC baseado em fracionamento da banda também tem ganhado notoriedade devido às características do New Radio(NR) (3GPP, 2018), novo sistema do 3GPP para atender as demandas do 5G definidas pelo IMT-2020. Uma das demandas do NR para atender aos novos casos de uso do 5G é a utilização do espectro de maneira eficiente e flexível (Soret et al., 2018). Por exemplo, os autores de (Soret et al., 2018) propõem uma forma de ICIC em que usuários reportados como vítimas (anel de usuários ao redor da pico-célula que estão sendo servidos pela macro) são alocados dinamicamente para um grupo de Physical Resource Blocks(PRBs) que não será utilizado pelas células interferentes. Apesar de não seguir o formato tradicional do FFR, é uma estratégia que advém do reúso fracionário de frequência.

3.2 Ferramenta e metodologia de prototipagem

A análise de valor agregado das soluções propostas neste trabalho foi realizada utilizando o simulador de redes ns-3 (ns-3, 2020), uma ferramenta de simulação baseada em eventos discretos com foco em pesquisa e uso educacional. É um software com código aberto, estando publicamente disponível para uso, desenvolvimento e pesquisa.

O ns-3 tem um aspecto modular, fornecendo diversas bibliotecas e módulos que podem ser usados em conjunto. É construído na linguagem C++, no entanto, existem diversos APIs disponíveis em Python. Seu desenvolvimento é orientado pelas especificações técnicas de órgãos de padronização como o 3GPP, o que facilita o desenvolvimento de modelos realistas. Além disso, é um software bem documentado, com uma comunidade ativa e colaborativa. Logo, por esses motivos, tem sido amplamente usado no meio acadêmico, e foi escolhido como ferramenta de prototipagem deste trabalho.

3.2.1 Módulo do LTE no ns-3

A Figura 3.1 apresenta uma visão geral de como o módulo do LTE é implementado no ns-3. Observa-se que há dois elementos principais, o LTE e o Evolved Packet Core (EPC). O LTE model corresponde à pilha de protocolos do Evolved Universal Terrestrial Radio

(31)

Access Network(E-UTRAN), ou seja, às camadas RRC, PDCP, RLC, MAC e PHY. Essas entidades estão implementadas no UE e na eNB.

O EPC model corresponde às funcionalidades do núcleo da rede. Todos os protocolos e entidades envolvidos estão implementados no Mobility Management Entity (MME), Serving Gateway(S-GW), Packet Data Network Gateway (P-GW) e parcialmente na eNB. Assim, da forma como está implementado, é possível criar um sistema utilizando apenas o E-UTRAN, dispensando-se o uso do EPC model. No entanto, o EPC é necessário para modelar a conectividade do UE com a internet, em uma comunicação ponta-a-ponta via protocolo IP.

A Figura 3.2 ilustra como está implementada a pilha de protocolos do LTE com o uso do EPC. Observa-se que a única simplificação feita é a junção das funcionalidades do S-GW e do P-GW em um mesmo nó, visto que o ns-3 busca, por meio de uma implementação detalhada desses protocolos, viabilizar a avaliação de aspectos como a gerência de recursos de rádio e a coordenação de interferência entre células (ns-3, 2019).

Figura 3.1: Visão geral de como o LTE é modulado no ns-3.

Fonte: (ns-3, 2019).

3.2.2 ICIC no ns-3

O módulo do LTE também fornece suporte para algoritmos de técnicas ICIC baseadas em FFR. Atualmente há 7 algoritmos implementados, descritos em (A.S. Hamza, S. S. Khalifa, H.S. Hamza, and K. Elsayed, 2013). Os algoritmos de FFR atuam no processo de escalonamento, ao comando da camada MAC (ns-3, 2019). Ao escalonar os usuários para seu respectivo Resource Block Group (RBG), o algoritmo é consultado. De acordo com sua implementação, será retornado se um RBG pode ou não ser alocado para determinado usuário, dependendo da alocação de banda do algoritmos de FFR específico.

Por meio da classe responsável pelos algoritmos, é possível configurar diversos parâmetros. Esses são detalhados a seguir.

(32)

Figura 3.2: Pilha de protocolos do LTE no ns-3.

Fonte: (ns-3, 2019). Potência de transmissão das sub-bandas

No ns-3, a potência de transmissão das sub-bandas é configurável por meio de variáveis que determinam o nível de potência do Physical Downlink Shared Channel (PDSCH) em relação à potência do RS. Se o algoritmo em questão permite potências diferentes para cada região, há uma variável para cada sub-banda, valores em dB que representam o offset de potência. Por exemplo, para o Strict Frequency Reuse, essas variáveis são o CenterPowerOffset e o EdgePowerOffset.

Alocação de banda

No LTE, a distribuição de banda é feita em número de conjuntos de RBs e seu tamanho depende da banda total do sistema (3GPP, 2009). Por exemplo, para uma banda que proporciona um total de 100 RBs, cada RBG é formado por 4 RBs. Assim, há variáveis que determinam o número de RBGs disponível em cada sub-banda, para Downlink (DL) e Uplink (UL), separadamente.

Critério de alocação de usuários

O critério de RSRQ (RsrqThreshold), introduzido no Capítulo 2, determina para qual sub-banda um usuário é alocado. No LTE, os valores de RSRQ são reportados de acordo com um mapeamento para números inteiros definido em (3GPP, 2010). Nesta dissertação, o sistema LTE modelado será o Release 8 do 3GPP. Nesse Release, a faixa de valores de RSRQ suportada está entre 0 e 34. Logo, o parâmetro que define o critério de RSRQ também só deve assumir valores nessa faixa.

(33)

3.3 Alterações feitas no ns-3

Para execução da solução proposta, algumas alterações não triviais foram realizadas no ns-3. A principal delas foi a adição de uma nova classe, responsável por implementar o Q-Learning (QL) (o qual será detalhado no Capítulo 4). Sua primeira versão foi implementada pelos autores (de Santana et al., 2019a). Essa e outras alterações relevantes serão pontuadas a seguir.

O código produzido para execução das simulações deste trabalho foram realizadas com base no exemplo lena-frequency-reuse.cc, fornecido pelo ns-3. No entanto, o código original conta apenas com o LTE model, em que não há conexão com a internet via protocolo IP. O EPC model foi incluído para permitir o controle da taxa oferecida pelo sistema, garantir um cenário mais realista e viabilizar o aparecimento de hotspots no decorrer da simulação, visto que é possível controlar as aplicações instaladas nos dispositivos, que podem ser iniciados e encerrados em um instante de tempo desejado.

O QL foi implementado em uma nova classe, a qual foi incluída dentro do módulo do LTE. Apesar de ainda não seguir todas as diretrizes de criação de um novo módulo da forma como é proposto pelo ns-3, a nova classe foi implementada dentro do namespace ns-3 e integrada ao módulo do LTE. De forma que, na execução do script, o sistema de buildusado pelo ns-3 (waf build system) enxerga e compila os novos arquivos.

A classe implementada é responsável por todos os cálculos referentes ao QL e também por armazenar todas os valores necessários para executar cada passo do cálculo (e.g., valores coletados de SINR). Os valores são coletados durante o runtime da simulação, da forma como seria feito em um sistema real, e o sistema é modificado também durante o runtime da simulação, para que a atuação do algoritmo seja de fato capaz de alterar parâmetros do sistema durante seu funcionamento.

Assim, dada a relevância do FFR em sistemas modernos de comunicação sem fio, conforme apresentado nesse capítulo, a seguir serão descritas algumas análises executadas utilizando o ns-3 e os módulos apresentados.

(34)

Capítulo 4

Resultados exploratórios e

caracterização do problema

Este capítulo é dedicado a apresentar as análises exploratórias feitas com os algoritmos apresentados no Capítulo 3 e em seguida evidenciar o problema alvo deste trabalho. Os resultados obtidos são responsáveis por definir diversos aspectos da concepção do algoritmo dinâmico proposto neste trabalho, bem como sua análise de valor agregado.

4.1 Comparação de desempenho dos algoritmos de ICIC

Uma das etapas deste trabalho foi a condução de uma análise comparativa de desempenho entre as técnicas de ICIC apresentadas no Capítulo 2. Esse estudo tem como objetivo avaliar qual o impacto do uso do FFR nos usuários nas bordas das células. Para isso, as diferentes técnicas foram simuladas em um cenário controlado, sob as mesmas condições, mantendo seus parâmetros nos valores padrões encontrados na literatura ou previamente definidos no ns-3.

4.1.1 Cenário de avaliação

O sistema simulado consiste em 3 eNBs localizadas nos vértices de um triângulo equilátero de lado igual a 1000 metros, como ilustrado na Figura 4.1, sendo cada eNB o centro de uma célula. Esse cenário foi introduzido pelos autores de (Gawłowicz et al., 2015), com o objetivo de avaliar as técnicas ICIC implementadas no ns-3. Os usuários são distribuídos em regiões circulares controladas por um raio que pode ser configurado como necessário. Há um círculo centrado em cada eNB e um círculo adicional no baricentro do triângulo, ou seja, no local mais distante das três eNBs.

(35)

CAPÍTULO 4. RESULTADOS E CARACTERIZAÇÃO DO PROBLEMA 22

Figura 4.1: Cenário utilizado para comparação de desempenho dos algoritmos de ICIC.

Os usuários são alocados dentro dessas regiões aleatoriamente, de acordo com uma distribuição uniforme, e todos os círculos possuem o mesmo raio, o qual é um parâmetro da simulação. Dessa forma, é possível modificar a concentração dos usuários, dado que raios menores conduzem à regiões mais densas (hotspots). A quantidade de usuários é um parâmetro de simulação, variando de 10 a 60 UEs em cada região. Isto é, quando há 30 usuários na borda, há também 30 usuários no centro de cada célula, ou seja, 120 usuários no total. Assim, o número total de usuários varia de 40 a 240.

O modelo de espaço livre é usado para modelar o canal e o Proportional Fair é utilizado como método de escalonamento. A adaptação de enlace é baseada na SINR para uma BER de 5 · 10−5 e a banda total do sistema é de 5 MHz, disponibilizando 25 RBs a cada Transmission Time Interval (TTI)1. Os parâmetros de cada algoritmo ICIC, introduzidos no Capítulo 2 e 3, estão apresentados na Tabela 4.1. Os valores de cada parâmetro correspondem aos valores padrão sugeridos em (Gawłowicz et al., 2015). Os parâmetros de simulação estão resumidos na Tabela 4.2.

Portanto, a análise foi conduzida para dois conjuntos de cenários:

• Cenário 1: os UEs estão concentrados em um raio de 100 metros, representando um cenário clássico de hotspot ;

• Cenário 2: os usuários estão mais dispersos, distribuídos em um raio de 500 metros.

1_{O TTI é a unidade temporal relacionada ao acesso ao meio na camada de rádio enlace. É a cada TTI}

que o algoritmo de escalonamento distribui RBs para todos os usuários conectados, sendo um parâmetro fortemente relacionado à latência de acesso do sistema LTE.

(36)

Tabela 4.1: Parâmetros dos algoritmos ICIC. Hard Frequency Reuse

Banda: célula 1 e 2 8 RBs

Banda: célula 3 9 RBs

Strict Frequency Reuse

Banda: região central 6 RBs

Banda: borda células 1, 2 e 3 6 RBs

RsrqThreshold 32

Offsetde potência: região central −6dB

Offsetde potência: borda 3dB

Soft Frequecy Reuse

Banda: borda células 1 e 2 8 RBs

Banda: borda célula 3 9 RBs

RsrqThreshold 32

Offsetde potência: região central −6dB

Fractional Soft Frequency Reuse

Banda: borda células 1, 2 e 3 6 RBs

RsrqThreshold: região central 37

RsrqThreshold: borda 32

Offsetde potência: região central −6dB Offsetde potência: região intermediária −1.77dB

Tabela 4.2: Parâmetros de simulação: comparação de desempenho dos algoritmos ICIC.

Parâmetro Valor

Largura de Banda (RBs) 25

Distribuição de UEs Uniforme

Quantidade de UEs (total) 40 a 240 Quantidade de UEs (borda) 10 a 60 Distância entre eNBs (m) 1000

Algoritmo de Escalonamento Proportional Fair

Duração da simulação 6s (sem sombreamento)

Modelo de canal Friis

Modelo de erro MIESM

Mobilidade dos UEs Sem mobilidade

Modelo de tráfego Non-GBR TCP-based

(37)

4.1.2 Análise de resultados

Para o caso com os usuários concentrados (Cenário 1), as Figuras 4.2 e 4.3 apresentam o décimo percentil da vazão útil (throughput) e a Cumulative distribution function (CDF) da SINR, respectivamente. Para todos os gráficos, as curvas com linhas contínuas representam os usuários no centro das células, enquanto que as curvas com linhas pontilhadas os usuários das bordas.

Figura 4.2: 10opercentil da vazão útil para usuários concentrados.

Com relação à vazão útil de recepção (Figura 4.2), observa-se que o algoritmo NoOp, caso em que todas as células operam na mesma faixa de frequência, apresenta melhor desempenho para usuários do centro, pois há mais banda disponível, permitindo que maior taxa de transmissão seja alcançada. No entanto, esse algoritmo possui o pior desempenho para os usuários da borda, como esperado, pois as células adjacentes utilizam a mesma faixa de frequência para transmissão.

Os algoritmos Strict e FfrSoft possuem desempenho semelhante, dado que ambos apresentam o melhor desempenho para usuários da borda. No entanto, o desempenho dos usuários do centro é reduzido, pois há apenas 25% da banda disponível para essa região, dado que a banda do sistema é igualmente dividida em 4. O Hard possui desempenho similar para centro e borda, visto que não há distinção de sub-bandas dentro de uma mesma célula, logo, usuários não sofrem interferência de células adjacentes. No entanto, a vazão útil alcançada é pobre, visto que, por exemplo, o Strict e o FfrSoft alcançam melhor desempenho para os dois grupos de usuários.

(38)

Figura 4.3: CDF da SINR para cenário com 10 usuários concentrados.

Por fim, o Soft apresenta bom desempenho para os usuários do centro. Na borda, porém, ele não alcançou um desempenho satisfatório, de modo que o alto número de RBs reservados para usuários da borda não foi capaz de compensar totalmente a ICI. Afinal, a banda utilizada nas bordas de uma célula também é utilizada no centro de células adjacentes.

Analisando a Figura 4.3, observa-se que a SINR é menor para os usuários da borda em todos os algoritmos. Os algoritmos Soft e NoOp possuem os piores resultados para os dois grupos de usuários, borda e centro. O algoritmo Hard possui o melhor desempenho para usuários do centro, e na borda é semelhante ao Strict e o FfrSoft, sendo esses os que possuem o melhor desempenho na borda, alcançando também resultados satisfatórios no centro, estando bem próximos do Hard. Logo, os algoritmos Strict e FfrSoft tem SINR similar ao Hard, contudo, como mencionado, o Strict proporciona melhor vazão que o Harddevido à maior eficiência espectral oriunda do maior reúso da frequência.

Para efeito de comparação, os mesmos resultados foram gerados para usuários mais dispersos (Cenário 2), como introduzido anteriormente, em que os UEs são alocados em um raio de 500 metros. Os resultados são apresentados nas Figuras 4.4 e 4.5.

Analisando a vazão útil (Figura 4.4), há uma significativa perda de desempenho para os algoritmos NoOp e Soft, de sorte que os algoritmos Strict e FfrSoft possuem a melhor vazão na borda. Isso ocorre pois o Soft compartilha a banda da borda com o centro de outras células. Portanto, a dispersão dos usuários leva à uma maior ocupação do centro da célula, ocasionando mais interferência nas células vizinhas.

Quanto à SINR (Figura 4.5), observa-se que os algoritmos NoOp e Soft continuam com o pior desempenho em todos os casos. Contudo, os algoritmos Strict e FfrSoft

(39)

mantém um bom desempenho na borda das células. Por fim, de forma geral, todos os algoritmos apresentam uma queda de SINR no centro da célula, pois à maior dispersão dos usuários leva à uma maior ocupação dessa região.

Figura 4.4: 10opercentil da vazão útil para usuários dispersos.

Assim, pode-se extrair algumas conclusões importantes, entre elas:

• O primeiro e mais importante resultado é a comprovação de que o desempenho de um sistema de comunicação sem fio multi-celular pode melhorar com o uso de técnicas ICIC que utilizam FFR, devido à alta incidência de interferência nesses sistemas. Assim, dentre as técnicas apresentadas, é possível melhorar o desempenho dos usuários das bordas sem comprometer os usuários do centro; • Adicionalmente, a simples mudança de densidade dos usuários possui forte impacto

no desempenho do sistema, especialmente no caso em que as células são divididas em sub-bandas, pois a concentração ou dispersão dos usuários pode resultar em movimentação entre as regiões, podendo levar uma região à situação de sobrecarga ou subutilização;

• Além disso, não há uma única técnica que consiga alcançar o melhor desempenho em todas as situações. No entanto, há dois algoritmos que se destacam, pois apresentam equilíbrio de desempenho em diferentes cenários e são eficientes na mitigação dos efeitos de ICI, especialmente para os usuários das bordas: o Strict e o FfrSoft;

(40)

Figura 4.5: CDF da SINR para cenário com 10 usuários dispersos.

• Dado que o FfrSoft possui uma maior subdivisão de regiões, sua configuração torna-se mais complexa. Ou seja, o Strict mostrou-se igualmente eficiente sem necessidade de tais parâmetros adicionais. Por conseguinte, o Strict será avaliado no estudo que será detalhado a seguir.

Maiores detalhes sobre a análise exposta nesta seção podem ser encontrados em (D. do Rego et al., 2018), uma publicação fruto deste trabalho de mestrado.

(41)

4.2 Análise paramétrica do Strict Frequency Reuse

A segunda etapa consiste em escolher um dos algoritmos apresentados na análise anterior para avaliar quais são seus parâmetros mais relevantes e qual seu impacto no desempenho do sistema. Essa avaliação é feita em duas etapas: o planejamento 2k fatorial (Seção 4.2.2) e a análise paramétrica (Seção 4.2.3).

Assim, como supracitado, o algoritmo Strict Frequency Reuse foi selecionado, pois apresenta compromisso entre desempenho e complexidade, permitindo flexibilidade na configuração dos parâmetros.

4.2.1 Cenário de avaliação

O cenário escolhido é semelhante ao utilizado na seção anterior, como ilustrado na Figura 4.6. São três eNBs igualmente distanciadas de 1000 metros, mas os usuários não são alocados dentro de círculos. Logo, o posicionamento dos usuários se dá de forma aleatória sobre todo o cenário, de acordo com uma distribuição uniforme. Há 80 usuários que não possuem mobilidade e são servidos pela eNB mais próxima. Os parâmetros da simulação são mostrados na Tabela 4.3.

Figura 4.6: Cenário de avaliação da Análise Paramétrica do Strict Frequency Reuse.

(42)

Tabela 4.3: Parâmetros de simulação: Análise Paramétrica do Strict.

Parâmetro Valor

Largura de Banda (RBs) 25

Distribuição de UEs Uniforme

Distância entre eNBs (m) 1000

Algoritmo de Escalonamento Proportional Fair

Duração da simulação 6000 subframes

Modelo de canal Friis

Número de usuários 80

Modelo de Erro MIESM

Mobilidade dos UEs Sem mobilidade

Modelo de tráfego Non-GBR TCP-based

Video (Buffered Streaming)

4.2.2 Análise 2k fatorial

O planejamento 2k fatorial é uma forma de análise estatística que permite identificar quais parâmetros (fatores) de um experimento exercem influência em uma determinada resposta final (Montgomery, 2009). Além de proporcionar um melhor entendimento do sistema, permite simplificar futuras análises. Ou seja, em uma posterior análise paramétrica, em que o experimento é replicado para todas as combinações possíveis entre os valores dos parâmetros, haverá um número menor de repetições caso a análise 2k conclua que há algum parâmetro irrelevante.

O 2k fatorial é uma Análise de Variância (ANOVA) em que k fatores assumem dois valores (níveis) que sejam, preferencialmente, extremos. Assim, a ANOVA testa a hipótese de que um determinado parâmetro não influencie na resposta final (hipótese nula). Esse teste é realizado por meio da comparação de variâncias, em que se define um valor chamado F0 (Equação 4.1) como sendo o quociente entre duas médias quadráticas, a qual é um estimador não tendencioso da variância de uma população (Montgomery, 2009).

F0 = MQniveis

MQ_erro (4.1)

Na Equação 4.1, MQniveis é a média quadrática dos níveis dos fatores e MQerro é

a média quadrática do erro, de forma que, caso a mudança de níveis de um fator não tenha efeito significativo na resposta (hipótese nula rejeitada), MQniveis será maior que

MQ_erro. Ou seja, quanto maior F0, maior o efeito de um fator. Portanto, para determinar o valor limite de F0 que indica a relevância de um parâmetro, pode-se assumir F0 como uma variável aleatória com distribuição F-Snedecor (Montgomery, 2009). Com nível de significância α = 0.001, para os parâmetros avaliados nesse trabalho, o valor limite de F0 é igual a 10,83. Ou seja, um parâmetro será relevante caso tenha seu valor de F0 maior que 10,83.