Skip navigation
Please use this identifier to cite or link to this item: http://repositorio.unb.br/handle/10482/43207
Files in This Item:
File Description SizeFormat 
2021_RodrigoFeitosaBezerra.pdf2,1 MBAdobe PDFView/Open
Title: Aplicação de aprendizado de máquina para previsão de ocupação de espectro de longa duração
Authors: Bezerra, Rodrigo Feitosa
Orientador(es):: Bordim, Jacir Luiz
Assunto:: Modelo de Markov Escondido
Previsão de oportunidades
Rádio cognitivo
Acesso oportunista ao espectro
Inferência de espectro
Issue Date: 30-Mar-2022
Citation: BEZERRA, Rodrigo Feitosa. Aplicação de aprendizado de máquina para previsão de ocupação de espectro de longa duração. 2021. 107 f., il. Dissertação (Mestrado em Informática) — Universidade de Brasília, Brasília, 2021.
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.
Abstract: Static spectrum allocation policies allied with the increasing demand for higher data rates stimulated the pursuit of alternative spectrum allocation strategies. In this context, Opportunistic Spectrum Access (OSA) has been considered an alternative to allow licensed portions of the spectrum to be shared with unlicensed users. OSA requires unlicensed users to identify unused portions of the spectrum for opportunistic access that minimizes possible interference with the licensed users. This work investigates the performance of a standard Hidden Markov Model (HMM) predictor that was designed to long term pre-diction in two scenarios. In the first one, the traffic pattern was synthetically generated following a Poisson distribution and the second one was acquired from a public database. From the results in the synthetic scenario, we have developed two enhancements to be applied to the HMM-based predictor that have been proved to be effective to decrease collision rate and increase seized opportunities. Those enhancements allowed a 45.1% reduction in the collision rate and a 4.9% increase in the seized opportunities if compared to the predictor found in the literature. In this scenario, using a public database, we introduced a new predictor based on Random Forest (RF). The RF predictor was implemented and applied to the same scenarios as the HMM-based predictor. The results show that for scenarios where the PU presents a more stable behavior, both predictors have shown equivalent performances. For scenarios where the PU behavior have high variability, the HMM-based predictor reduced by 10% the collision rate as compared to the RF-based predictor. Nonetheless, the RF-based predictor was able to seize 6.9% more opportunities when compared to the HMM-based predictor.
metadata.dc.description.unidade: Instituto de Ciências Exatas (IE)
Departamento de Ciência da Computação (IE CIC)
Description: Dissertação (mestrado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2021.
metadata.dc.description.ppg: Programa de Pós-Graduação em Informática
Licença:: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Appears in Collections:Teses, dissertações e produtos pós-doutorado

Show full item record " class="statisticsLink btn btn-primary" href="/jspui/handle/10482/43207/statistics">



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.