Optimización del problema de scheduling en sistemas de comunicación Cell Free Massive MIMO mediante Deep Contextual Bandit

Abstract

[Resumen]: En el mundo actual, donde la conectividad es fundamental, maximizar el rendimiento de las redes inalámbricas es clave para garantizar eficiencia y calidad del servicio. Sin embargo, los sistemas actuales basados en celdas presentan limitaciones, ya que la señal disminuye significativamente a medida que los usuarios se alejan de la antena principal, especialmente en la periferia de las celdas. Frente a este desafío, surge el enfoque Massive Cell-Free, que elimina la dependencia de celdas al distribuir puntos de acceso de manera uniforme en el escenario. Este proyecto aborda el problema de la asignación de recursos (scheduling) en este tipo de redes mediante el uso de modelos de aprendizaje automático, optimizando la asignación de puntos de acceso a usuarios para garantizar una conexión de calidad independientemente de su ubicación espacial. A partir de escenarios simulados, se obtuvieron variables clave como la ganancia y la interferencia de los usuarios respecto a cada punto de acceso, las cuales se utilizaron para entrenar el modelo principal: una red basada en Deep Contextual Bandit (DBC) con una función de recompensa basada en la calidad de la señal recibida. Durante el desarrollo surgieron otras aproximaciones complementarias, como modelos basados en pérdida y enfoques de clustering, que fueron evaluadas frente al modelo de DCB y una asignación aleatoria como línea base. Los resultados muestran que los modelos basados en pérdida y el de Deep Contextual Bandit proporcionan una asignación más eficiente y dinámica, optimizando la calidad de la conexión y superando las limitaciones de los métodos tradicionales. Esta solución representa un avance prometedor para redes inalámbricas avanzadas como Beyond 5G (B5G) y 6G, contribuyendo a una conectividad más robusta y flexible.[Abstract]: In today’s world, where connectivity is essential, maximizing the performance of wireless networks is key to ensuring efficiency and service quality. However, current cell-based systems face significant limitations, as signal strength decreases considerably as users move away from the main antenna, particularly at the cell edges. To address this challenge, the Massive Cell-Free approach eliminates cell dependency by distributing access points uniformly across the scenario. This project tackles the resource allocation problem (scheduling) for this type of networks through machine learning models, optimizing the assignment of access points to users to ensure high-quality connections regardless of spatial location. From simulated scenarios, key variables such as user gain and interference with respect to each access point were extracted and used to train the main model: a Deep Contextual Bandit network with a reward function based on the total received signal quality. Throughout the development process, complementary approaches arised, including loss-based models and clustering methods, which were evaluated against the Deep Contextual Bandit model and a baseline random assignment approach. Results show that the loss-based and Deep Contextual Bandit models provide a more efficient and dynamic allocation, optimizing connection quality and overcoming the limitations of traditional methods. This solution represents a promising advance for next-generation wireless networks such as Beyond 5G (B5G) and 6G, contributing to more robust and flexible connectivity.