Acceso usuarios
Luis Felipe Urquiza Aguiar, Pablo Campos Yucailla, Pablo Hidalgo Lascano, Fernando Becerra Camacho
La operación LTE en bandas de espectro sin licencia, basada en el Acceso Asistido con Licencia (LAA), se considera como una opción para aumentar la capacidad de las redes inalámbricas 4G. Estas soluciones utilizan un protocolo Listen Before Talk(LBT) que permite que el eNodeB (eNB) acceda de manera oportunista al medio, evitando colisiones desde / hacia otros eNBs. Sin embargo, el problema del nodo oculto en el contexto de las redes LAA debe abordarse para reducir o evitar la degradación de la red. La identificación de nodos ocultos y la decisión posterior de si el equipo de usuario (UE), afectado por una condición oculta, debe permanecer o debe cambiar de una banda sin licencia a una con licencia es una cuestión que mejorará la eficiencia de la red. En este trabajo, utilizamos dos técnicas de aprendizaje automático supervisado para determinar si los UE ubicados en la celda de borde están afectados por nodos ocultos; para ellos empleamos parámetros estándar obtenidas del UE para entrenar una regresión logística y una red neuronal, para detectar cuándo el UE se ve afectado por colisiones debido a la presencia de nodos ocultos. Los resultados muestran que la red neuronal tiene una exactitud perfecta como detector de UE frente a nodos ocultos. Palabras clave: LAA, LBT, Nodo Oculto, RSSI, RSRP, RSRQ.doi: https://doi.org/10.36825/RITI.08.15.011
LTE operation in unlicensed spectrum bands, based on Licensed-Assisted Access (LAA), is considered as an option to increase the capacity of 4G wireless networks. These solutions use a Listen Before Talk (LBT) protocol that enables the eNodeB (eNB) to access the medium opportunistically, avoiding collisions from/to other eNBs. However, the hidden node problem must be addressed in LAA networks to reduce or prevent the degradation of the network. The efficiency of the LTE-LAA system will improve by identifying hidden nodes and after deciding if user equipment (UE) affected by the hidden condition should remain or should change from unlicensed to licensed band. In this work, we use two supervised machine learning algorithms to determine if UEs located in the border cell are affected by hidden nodes. We trained a logistic regression and a neural network with standard parameters obtained from UE to detect when UE is affected by collisions due to the presence of hidden nodes. The results show that the neural network has a perfect performance as a detector of UE facing hidden nodes Keywords: LAA, LBT, Hidden Node, RSRI, RSRP, RSRQ.
