El propósito de las redes deterministas es implementar comunicaciones en tiempo real con latencia acotada, bajas tasas de pérdida de datos y jitter. Time-Sensitive Networking (TSN) cubre estas necesidades, permitiendo la transmisión de datos sensibles al tiempo en redes Ethernet. La demanda creciente de comunicación inalámbrica en entornos industriales ha impulsado un enfoque híbrido, integrando tecnologías cableadas e inalámbricas. El 5G se posiciona como principal candidata en entornos inalámbricos, proporcionando alta fiabilidad y baja latencia. Además, los estándares 3GPP definen una arquitectura que permite interoperabilidad entre TSN y 5G, apoyándose en nuevas entidades como traductores TSN y el TSN Application Function. La reconfiguración de la red es crucial para cumplir con los requisitos del tráfico TSN sobre redes 5G. En este contexto, nacen enfoques como Zero-Touch que tratan de minimizar la intervención humana en este tipo de operaciones, que apoyándose en técnicas de aprendizaje pueden liderar a reconfiguraciones automáticas de la red.
Esta tesis tiene como objetivo construir un modelo del comportamiento de la red 5G para monitorizar la calidad de las sesiones de tráfico extremo a extremo. Para ello, se usan autómatas de aprendizaje que se basan en indicadores clave de rendimiento asociados a los diferentes perfiles de tráfico y las configuraciones de red 5G. Un enfoque de bucle cerrado permite el uso de estos autómatas para realizar predicciones de desviaciones de los indicadores de calidad del tráfico, para sugerir configuraciones de red adecuadas para cumplir los requisitos del tráfico.
Buscar en Dimension
