Aplicação de aprendizado de máquina para previsão de ocupação de espectro de longa duração

Abstract

A política de alocação estática do espectro aliada com a crescente demanda por altas taxas de dados têm estimulado a busca por estratégias alternativas de alocação. Neste contexto, Acesso Oportunista ao Espectro (do inglês, Opportunistic Spectrum Access - OSA) tem sido considerado uma alternativa para permitir que porções licenciadas do espectro sejam compartilhadas com usuários não licenciados. OSA requer que usuários não licenciados identifiquem porções do espectro para acesso oportunista de modo a minimizar possíveis interferências com os usuários licenciados. Este trabalho investiga o desempenho de um preditor padrão baseado no Modelo de Markov Escondido (do inglês, Hidden Markov Model - HMM) projetado para realizar previsões de longa duração em dois cenários com comportamento do Usuário Primário (do inglês, Primary User - PU) distintos, sendo o preditor elaborado agnóstico ao cenário ao qual será aplicado. O primeiro cenário foi gerado de forma sintética a partir de uma distribuição de Poisson. O segundo cenário foi obtido a partir de uma base de dados pública de coleta de uma rede sem fio. Com base nos resultados obtidos com este preditor no cenário sintético, desenvolvemos dois aprimoramentos aplicados ao preditor com HMM que se mostraram efetivos na redução da quantidade de colisões e no aumento do aproveitamento das oportunidades. Estes aprimoramentos permitiram a redução da taxa de colisão média para 45,1% e o aumento do aproveitamento das oportunidades em 4,9% em relação ao preditor especificado na literatura. Na base pública utilizada um novo preditor foi introduzido. Um preditor baseado em Floresta Aleatória (do inglês, Random Forest - RF) foi implementado e avaliado nos mesmos cenários que o preditor com HMM. Os resultados mostraram que nos cenários menos complexos da base, onde há pouca variabilidade no comportamento do PU, os dois preditores tiveram desempenhos semelhantes. Nos cenários de maior variabilidade o preditor com HMM obteve, em média, 10% menos colisão que o preditor com RF. No entanto, esse último foi capaz de aproveitar, em média, 6,9% mais oportunidades do que o primeiro.