Planificaciones de enlace basadas en estimación del canal aplicadas a 5G

Actas de las XV Jornadas de Ingeniería Telemática (JITEL 2021), A Coruña (España), 27-29 de octubre de 2021. This work is licensed under a Creative Commons 4.0 International License (CC BY-NC-ND 4.0) Planificaciones de enlace basadas en estimaci´ on del canal aplicadas a 5G Jose J. Rico-Palomo∗, Jes´ us Galeano-Brajones∗, Juan F. Valenzuela-Valdes†, David Cortes-Polo∗, Javier Carmona-Murillo∗ ∗Departamento de Ingenier´ ıa de Sistemas Inform´ aticos y Telem´ aticos. Universidad de Extremadura. 06006. †Departamento de Teor´ ıa de la se˜ nal, Telem´ atica y Comunicaciones. Universidad de Granada. 18014. [email protected], jg[email protected], [email protected], [email protected], [email protected] El crecimiento exponencial de dispositivos conectados a Internet y el aumento de los vol´ umenes de tr´ afico que se generan dificultan una gesti´ on eficiente de las conexiones entre las estaciones base y los usuarios en las redes m´ oviles. Esto desemboca en una sobrecarga y en un mayor consumo de tiempo y recursos en la red de acceso. Para el estudio de estos problemas, se clasifican los servicios de los usuarios seg´ un los requerimientos del tipo de tr´ afico (capacidad, latencia, fiabilidad, densidad de conexiones, etc´ etera). En este trabajo se proponen varios mecanismos que, mediante el env´ ıo y la recepci´ on de pilotos por parte del terminal m´ ovil, permiten estimar el enlace en busca de conexiones con mayor capacidad y/o menor latencia. Estos mecanismos descargan a la red de la toma de decisiones, mejorando la planificaci´ on de recursos seg´ un el tipo de tr´ afico que genere el usuario. Los resultados obtenidos demuestran una disminuci´ on y estabilizaci´ on de la latencia, as´ ı como un aumento en la capacidad media de los enlaces. Se reducen, adem´ as, las conexiones bloqueadas por falta de recursos en la red. Palabras Clave—5G, redes celulares, estimaci´ on de canal, capacidad, latencia, URLLC, eMBB, mMTC. I. INTRODUCCI ´ ON Desde comienzos de 2020 el n´ umero de tel´ efonos m´ oviles inteligentes ha aumentado en 93 millones, siendo actualmente la cifra de dispositivos conectados superior a 5,22 miles de millones en todo el mundo. Este aumento de dispositivos se traduce inevitablemente en un aumento del tr´ afico de datos, que ya el a˜ no 2021 ha registrado un volumen superior a 55 Exabytes al mes [1]. La evoluci´ on en los ´ ultimos a˜ nos de las aplicaciones m´ as utilizadas, como la Realidad Virtual/Aumentada (AR Augmented reality, VR Virtual Reality), los veh´ ıculos aut´ onomos y conectados, los videojuegos en l´ ınea, el Internet de las Cosas (IoT, Internet of Things) y las plataformas de v´ ıdeo bajo demanda, entre otras, han contribuido a este aumento exponencial. Si a esto le sumamos el crecimiento esperado de estas aplicaciones, que seg´ un [2] ser´ a de un 175% en 10 a˜ nos, se muestra un escenario que sobrepasa las especificaciones que ofrecen las redes convencionales. 5G, la nueva generaci´ on de redes celulares, nace bajo la motivaci´ on de dar soporte a todas las conexiones existentes, para cubrir la demanda de altas tasas de datos y los requerimientos de distintos tipos de comunicaci´ on, como latencia, n´ umero de usuarios conectados, fiabilidad, etc´ etera. Estas redes utilizan una combinaci´ on de tecnolog´ ıas habilitadoras de nivel f´ ısico, como las antenas MIMO (Multiple-Input Multiple-Output) masivo, codificaci´ on digital para el beamforming y despliegues ultra densos de celdas, entre otros, junto con tecnolog´ ıas de nivel de red, como SDN (Software-Defined Networking), NFV (Network Function Virtualization), MEC (Mobile Edge Computing), etc´ etera. Una de las aplicaciones m´ as directas de la combinaci´ on de estas tecnolog´ ıas es asignar recursos a los terminales conectados de forma eficiente dependiendo del tipo de tr´ afico, de manera que no se sobredimensionen los enlaces pero que puedan tener recursos suficientes para dar servicio a la demanda. Este proceso de asignaci´ on se realiza, normalmente, antes del establecimiento de la conexi´ on, cuando el usuario y la red acuerdan los requerimientos de la comunicaci´ on, pero una vez evaluado el nivel de se˜ nal-ruido-interferencia (SINR, Signal-to-Interference-plus-Noise-Ratio) del usuario a cada una de las estaciones base candidatas. Esto consume unas unidades de tiempo que, dependiendo de la criticidad de la aplicaci´ on (por ejemplo, veh´ ıculos aut´ onomos), pueden ser determinantes, ya que aumenta el tiempo de respuesta de la red a las peticiones. Adem´ as, se genera una alta sobrecarga en la red de acceso (RAN, Radio Access Network) en la toma de decisi´ on para cada una de 254 Rico-Palomo, Galeano-Brajones, Valenzuela-Vald´ es, Cort´ es-Polo, Carmona-Murillo, 2021. las conexiones entrantes. Con estos nuevos paradigmas y con el aumento de la complejidad de las aplicaciones y dispositivos m´ oviles, surge una nueva manera de clasificar los tipos de servicio, no bas´ andose ´ unicamente en sus casos de uso, si no en los requerimientos que necesitan para satisfacer sus demandas. Esta clasificaci´ on divide a los servicios en tres grandes bloques [3]: •Enhanced Mobile Broadband (eMBB): requerimientos de altas tasas de datos, gran ancho de banda y grandes zonas de cobertura. En este bloque se englobar´ ıan, por ejemplo, las aplicaciones de v´ ıdeo bajo demanda y de AR/VR. •Ultra-Reliable and Low Latency Communications (URLLC): comunicaciones de muy baja latencia extremo a extremo y una fiabilidad superior al 99’9%. Las comunicaciones cr´ ıticas, como los veh´ ıculos aut´ onomos, entran dentro de esta clasificaci´ on. •Massive Machine-Type Comunications (mMTC): estas aplicaciones (como, por ejemplo, las de industria 4.0 e IoT) tienen bajas tasas de datos pero en numerosos dispositivos, por lo que requieren una alta densidad de conexiones, rest´ andole importancia a otros KPIs (Key Performance Indicators) como la latencia. Ya en la literatura se proponen mecanismos que ayudan a gestionar de manera eficiente cada tipo de conexi´ on. En [4] se plantean mecanismos basados en planificaci´ on de enlace para comunicaciones eMBB y URLLC donde se establece la fiabilidad y la p´ erdida de paquetes como KPIs a evaluar. Algunos trabajos presentan soluciones en el RAN basadas en optimizaci´ on e inteligencia artificial [5], [6] para reservar los recursos necesarios de capacidad y/o latencia que necesiten los usuarios seg´ un sus requerimientos. Otras soluciones basadas en RAN-slicing plantean segmentar la red de acceso en divisiones l´ ogicas, cada una de ellas preparadas para dar un servicio eficiente a cada tipo de usuario, compartiendo los recursos disponibles en toda la red. Estas soluciones est´ an basadas en software, haciendo recaer el c´ omputo en las estaciones base [7], [8]. Siguiendo la tendencia de los trabajos comentados previamente, en este art´ ıculo se presenta una soluci´ on basada en la estimaci´ on del canal mediante el uso de pilotos, donde se libera a la RAN de la toma de decisiones y se delega esta tarea a los terminales m´ oviles. Estos mecanismos de estimaci´ on prescinden del establecimiento de conexi´ on para escoger la estaci´ on base que mejores m´ etricas ofrezca, centr´ andose directamente en la evaluaci´ on de latencia o capacidad que pueda servir la estaci´ on base. El resto del trabajo est´ a organizado con la siguiente estructura: en la Secci´ on II se presenta la formalizaci´ on matem´ atica utilizada para modelar el sistema y su comportamiento; la Secci´ on III describe los mecanismos implementados para la estimaci´ on del canal; la Secci´ on IV presenta las pruebas de simulaci´ on realizadas y los resultados obtenidos; por ´ ultimo, en la Secci´ on V, se presentan las conclusiones. II. MODELADO DEL SISTEMA A continuaci´ on se detallan los elementos m´ as importantes que influyen en los c´ alculos a lo largo del tiempo de simulaci´ on y los KPIs que interesan para la obtenci´ on de resultados y su modelizaci´ on formal. A. Planificaci´ on de enlace basada en SINR Cuando un terminal m´ ovil necesita conectarse al RAN, se utiliza la SINR para evaluar cada una de las estaciones base candidatas. En la generalidad de los casos, la estaci´ on base a la que se conectar´ a ser´ a aquella que mejor nivel de SINR tenga (medido en dBm). Los c´ alculos se realizan siguiendo la siguiente ecuaci´ on [9]: SINRu=PRX(i,u)(mW ) [ N P j=1j6=i PRX(j,u)(mW )] + PN0(mW) (1) donde PRX(i,u)es la potencia recibida por el usuario u de cada una de las estaciones base, en miliwattios; PN0 es la potencia de ruido y [ N P j=1j6=i PRX(j,u)(mW )] es la interferencia, es decir, la suma de la potencia recibida de cada estaci´ on base distinta a la evaluada, pero que operan en la misma frecuencia. B. Canal de propagaci´ on y modelo de p´ erdidas El enlace entre un transmisor y un receptor se eval´ ua mediante la formula del presupuesto de potencia o link budget, que se usa tambi´ en para calcular la potencia recibida en un nodo m´ ovil teniendo en cuenta las propiedades de las antenas y las p´ erdidas en espacio libre. La f´ ormula se presenta a continuaci´ on: PRX (dBm) = PT X (dBm) + GT X (dBm)+ +GRX (dBm)−L(dB)(2) La potencia recibida, denotada por PRX es combinaci´ on entre la potencia transmitida, PT X , las ganancias de las antenas transmisoras y receptoras, GT X yGRX respectivamente, y las p´ erdidas en espacio libre L. Para el c´ alculo de las p´ erdidas en espacio libre se ha utilizado el modelo ABG, utilizado en numerosos trabajos t´ ecnicos y acad´ emicos [10]. Las p´ erdidas en espacio libre se calculan en funci´ on de la frecuencia de radiaci´ on y la distancia entre el transmisor y receptor, entre otros factores: PLABG(f, d)[dB] = 10αlog10 d 1m+β+ + 10γlog10 f 1GHz+XABG σ(3) donde PLABG(f, d)son las p´ erdidas en espacio libre en decibelios para la distancia dy una frecuencia determinada This work is licensed under a Creative Commons 4.0 International License (CC BY-NC-ND 4.0) 255 Planificaciones de enlace basadas en estimaci´ on del canal aplicadas a 5G f.αyβyγson los coeficientes propios del modelo, que var´ ıan en funci´ on del canal de propagaci´ on en el que se encuentre el enlace. Estos valores son medidos en circunstancias concretas para estimar las p´ erdidas [11]. C. Modelo de capacidad de antenas MIMO Las antenas tanto de los terminales m´ oviles como de los paneles de las estaciones base se modelan con una tecnolog´ ıa de antenas MIMO con diversidad de antenas tanto en la recepci´ on como en la transmisi´ on. La capacidad de un enlace de esta tecnolog´ ıa es el producto entre el ancho de banda asignado para el enlace por la eficiencia espectral entre las dos antenas, medida en Mbps. La eficiencia espectral (medida en bits/s/Hz) depende del canal de propagaci´ on y del n´ umero de antenas transmisoras y receptoras, siguiendo la f´ ormula que se muestra a continuaci´ on [12]: Sc= log2det INRX +SINR NT X H∗HT0 (4) donde INRX es la matriz de identidad cuyas dimensiones son el n´ umero de antenas MIMO del receptor, NT X es el n´ umero de antenas del transmisor y Hes la matriz del canal. HT0es la transposici´ on conjugada de esta matriz. D. Modelo de latencia El modelo de latencia utilizado [13] es composici´ on de 3 tiempos que afectan a la comunicaci´ on entre el terminal m´ ovil y la estaci´ on base en el enlace uplink. Ttotal =link latency =Tprop +Ttail +Thand (5) Los tiempos de cola Ttail =β µ(1−β)y procesamiento Thand =1 µ(1−β)son los correspondientes al tiempo que se consume al estar encolada la conexi´ on en la estaci´ on base y al tiempo que tarda el NodeB en procesar la demanda, respectivamente. Ambos atienden a un modelo de cola GI|M|1donde los tiempos de servicio se distribuyen exponencialmente con ratio µ. El tiempo de propagaci´ on Tprop corresponde al tiempo que tarda la propagaci´ on de la informaci´ on por el medio, desde el momento en el que se emite hasta que llega al receptor. Este tiempo est´ a fuertemente condicionado por las propiedades del canal. La f´ ormula utilizada para modelar esta latencia es la siguiente: Tprop =2(tslot −E[Tv]) 1 + ferr δ(d,f) √2σ(6) donde tslot es el tiempo entre los PRBs (Physical Resource Block), definido por el est´ andar 5G [14], ferr es la funci´ on error y δ(f, d) = PT X +PN0−L(f, d). La dependencia con el canal de propagaci´ on se refleja en E[Tv], que define las alteraciones que producen los bloqueos m´ oviles. Los bloqueos m´ oviles son todo tipo de objetos que interfieren en la l´ ınea de visi´ on del propio enlace, como peatones, veh´ ıculos, etc´ etera. Estos bloqueos se modelan siguiendo una modelo de cola M|G1|∞, donde los instantes de llegada son interpretados como el cruce del campo de visi´ on durante un instante de tiempo, donde cambiar´ a de LOS (Line-Of-Sight) a NLOS (No-Line-Of-Sight). Con los tiempos medios en el que enlace est´ a visible y bloqueado se calcula la alteraci´ on del enlace [15]. E. Env´ ıo y recepci´ on de pilotos La forma escogida de estimar el canal es introducir un s´ ımbolo piloto conocido en la se˜ nal de transmisi´ on, mediante la propia modulaci´ on de la se˜ nal. Los pilotos son se˜ nales usadas para la supervisi´ on, control, ecualizaci´ on y/o sincronizaci´ on del canal, entre otros prop´ ositos. Esa se˜ nal conocida por emisor y receptor viajar´ a por el canal sufriendo una alteraci´ on. Cuando el receptor eval´ ue el piloto lo comparar´ a con el valor conocido y podr´ a estimar la degradaci´ on sufrida, para conocer as´ ı el estado del canal y alguna de sus propiedades [16]. Fig. 1. Proceso de env´ ıo y recepci´ on de pilotos. El terminal m´ ovil, sin descartar el enlace principal ni parar el flujo de informaci´ on, envia y recibe continuamente pilotos de las dem´ as estaciones base cercanas. En el sistema simulado, los pilotos son enviados por el nodo m´ ovil a la estaci´ on base, y son devueltos por la misma. Esto ayuda a mejorar la precisi´ on de la estimaci´ on, realizando dos estimaciones de canal (downlink yuplink) en vez de s´ olo una como se describi´ o anteriormente (s´ olo uplink). El nodo m´ ovil env´ ıa estos pilotos a todas las estaciones base en su rango de cobertura, y eval´ ua los recibidos. La selecci´ on de la estaci´ on base no se hace, por tanto, por nivel de SINR, sino por la propiedad del canal que m´ as interese en cada momento. F. Modelos de tr´ afico y demanda Para distinguir los distintos tipos de servicios y aplicaciones, se implementan varios modelos de tr´ afico que aproximan el tama˜ no, la duraci´ on y la tasa de llegadas del tr´ afico de varias aplicaciones reales. Este modelado matem´ atico del teletr´ afico se basa fundamentalmente en el trabajo realizado en [17]. Los modelos implementados se resumen en la Tabla I. Los nodos m´ oviles pre-simulan el tr´ afico que generar´ an a lo largo del tiempo de ejecuci´ on, y crean las demandas. Estas estructuras corresponden a la cantidad de recursos (capacidad en Mbps) que ser´ an ocupados a lo largo de la red: las estaciones base por las que se enrutar´ a la conexi´ on hasta llegar a la red de acceso y sus enlaces. This work is licensed under a Creative Commons 4.0 International License (CC BY-NC-ND 4.0) 256 Rico-Palomo, Galeano-Brajones, Valenzuela-Vald´ es, Cort´ es-Polo, Carmona-Murillo, 2021. Aplicaci´ on Referencia Tipo Modelo FTP [18] Estoc´ astico Truncated lognormal distribution Gaming [19], [20] Experimental Volumen de tr´ afico y tasas de llegada reales VOD [21], [22] Mixto Truncated pareto distribution para las de llegada con vol´ umenes de tr´ afico reales Web [21] Estoc´ astico Truncated lognormal distribution IoT [23] Estoc´ astico Poisson process AR/VR [24], [25] Experimental Volumen de tr´ afico y tasas de llegada reales V2X [26], [27] Mixto Mezcla entre tr´ afico de control, datos y VOD, entre otros Tabla I MODELOS DE TR ´ AFICO IMPLEMENTADOS EN EL FRAMEWORK DE SIMULACI ´ ON III. MECANISMOS PROPUESTOS En esta secci´ on se presentan los mecanismos propuestos para la planificaci´ on de enlace de terminales m´ oviles seg´ un las necesidades del tr´ afico que generan y la criticidad de su comunicaci´ on. Si un usuario necesita menos latencia o m´ as capacidad de las que pueden permitir sus enlaces con la red, necesitar´ a utilizar otro tipo de planificaci´ on de enlace que le permita conectarse a otra estaci´ on base que s´ ı pueda proporcionarle dichos recursos. Estas soluciones est´ an basadas en la estimaci´ on del canal, que proporcionan al terminal m´ ovil una visi´ on completa del estado de la red seg´ un las dos m´ etricas a evaluar, delegando el c´ omputo de la estimaci´ on en el propio terminal y no en la red. Se proponen a continuaci´ on dos mecanismos. A. Planificaci´ on de enlace basada en estimaci´ on de latencia Para estimar la latencia del enlace, el terminal m´ ovil debe enviar una se˜ nal piloto conocida a las estaciones base, que retornar´ an la se˜ nal. El tiempo que tarda el piloto entre el env´ ıo y su posterior recepci´ on puede ayudar a estimar la latencia de propagaci´ on tprop; pero el usuario s´ olo conoce el tiempo total (bidireccional). Para calcular el tiempo s´ olo en una direcci´ on, es necesario desglosar la escena: tpilot =tprop(PT XUE , fup)+thand +tBS(PT XBS , fdown) (7) Este tiempo total tpilot es la combinaci´ on entre varios tiempos: el tiempo que tarda la se˜ nal piloto en llegar a la estaci´ on base tprop. Seg´ un el modelado del sistema, y teniendo en cuenta que el canal es com´ un entre los enlaces uplink ydownlink (ya que se entiende que el tiempo que se consume para la interacci´ on del piloto es despreciable en comparaci´ on con el tiempo de coherencia del canal), este tiempo depende de la potencia de transmisi´ on del terminal PT XUE y la frecuencia del enlace ascendente fup. El tiempo que tarda la se˜ nal piloto en ser enviada por la estaci´ on base y llegar nuevamente al terminal tBS sigue el mismo esquema, siendo dependiente de la potencia de transmisi´ on de la estaci´ on base PT XBS y la frecuencia del enlace ascendente fdown. Si consideramos despreciable el tiempo que tarda la estaci´ on base en procesar la se˜ nal thand y conocidas las marcas de tiempo de env´ ıo y recepci´ on del piloto por parte del terminal m´ ovil, adem´ as del tiempo de retorno de las mismas pero por parte de la estaci´ on base, la latencia del enlace puede ser estimada mediante la siguiente f´ ormula: L0 j,i =tpilot(UEj, BSi)−T0 prop(BSi, UEj, fdown), ∀i∈ {BNBS},∀j∈ {U}(8) B. Planificaci´ on de enlace basada en estimaci´ on de capacidad El modelado de la capacidad, como se ha desglosado anteriormente, es funci´ on del n´ umero de transmisores Ntx y receptores Nrx, el ancho de banda BWuy las propiedades del canal H. Para la estimaci´ on de la capacidad del terminal C0(BWu, SINR, Ntx, Nrx, H), el usuario debe conocer algunas caracter´ ısticas del sistema receptor, como el ancho de banda y el n´ umero de antenas MIMO del extremo del enlace. Las se˜ nales pilotos proporcionar´ an esa informaci´ on mediante el mismo mecanismo de env´ ıo y recepci´ on, devolviendo cierta informaci´ on de la estaci´ on base: el n´ umero de receptores MIMO que habilitar´ a para el enlace y el ancho de banda que se le asignar´ ıa al usuario en el caso de que se conectase, sin tener en cuenta ning´ un algoritmo de asignaci´ on inteligente, puesto que a priori la estaci´ on base no conoce las caracter´ ısticas del tr´ afico del usuario ni la criticidad de su comunicaci´ on. Para estimar las condiciones del canal, por tanto, es necesario generar aleatoriamente matrices Hutilizando una distribuci´ on normal compleja N(µ, σ2), seg´ un los par´ ametros que se detecten en la recepci´ on de la se˜ nal piloto: H’ = NH X M XH1(Ntx×Nrx )∼ N(µ, σ2) √2+ +jH2(Ntx×Nrx )∼ N(µ, σ2) √2(9) donde H’ es la matriz Hestimada, compuesta por NH matrices de tama˜ no Ntx ×Nrx, sumadas Mveces, que corresponde con el n´ umero de muestras utilizadas. La capacidad final ser´ a la media entre todas las muestras obtenidas. IV. PRUEBAS Y OBTENCI ´ ON RESULTADOS Para simular el sistema completo se han utilizado herramientas de simulaci´ on de desarrollo propio basadas This work is licensed under a Creative Commons 4.0 International License (CC BY-NC-ND 4.0) 257 Planificaciones de enlace basadas en estimaci´ on del canal aplicadas a 5G en eventos discretos. El sistema completo incluye desde los nodos m´ oviles hasta la red de acceso, teniendo en cuenta el RAN y la red de backhaul, as´ ı como la interacci´ on de todos los elementos. El proceso de evaluaci´ on de los KPIs se realiza en cada cambio de posici´ on del usuario, que sucede cuando su modelo de movimiento genera un cambio (en funci´ on de la velocidad y distancia recorrida). En este evento las condiciones del canal cambian, por lo que se realizan los c´ alculos de los diferentes par´ ametros. Las estaciones base est´ an colocadas seg´ un una distribuci´ on de Poisson (PPP) por todo el escenario. Los UE se mueven por el escenario siguiendo un modelo de movimiento basado en distribuciones aleatorias (Random WayPoint), y el tipo de usuario est´ a repartido de la siguiente manera: •100 usuarios de tipo eMBB, que generan un tr´ afico de tipo v´ ıdeo VOD, FTP, AR/VR y web. •100 usuarios de tipo URLLC, que generan un tr´ afico de tipo V2X y gaming. •200 usuarios de tipo mMTC, que generan tr´ afico de tipo web, IoT y FTP. La red de acceso est´ a formada por 4 routers de borde, cada cual est´ a conectado a una estaci´ on base de tipo macro. Los enlaces entre los routers siguen una malla completa. Estos enlaces est´ an dimensionados con una capacidad de 10 Gbps. Para comprobar el rendimiento de los mecanismos propuestos, se ha realizado una bater´ ıa de simulaciones para la obtenci´ on de resultados, y el posterior tratamiento de los mismos. Para minimizar la aleatoriedad de el posicionamiento de las BS y el movimiento de los usuarios, se han realizado 35 simulaciones con la misma configuraci´ on para cada una de las pruebas, cada una de ellas repetida 3 veces: una con cada planificaci´ on de enlace; en total, 105 ejecuciones. Todos los resultados, por tanto, son valores medios de todas las simulaciones. La configuraci´ on de los modelos para la ejecuci´ on se muestra en la Tabla II. Par´ ametro Macro BS Small BS UE Nº 4 20 400 Altura 40 m 15 m 1.7 m Nº antenas MIMO 10 10 4 Frecuencia 6 GHz 21 GHz Banda uplink Ganancia 12 dBi 8 dBi 5 dBi Potencia de transmisi´ on 28 dBm 12 dBm 5 dBm Ancho de banda 300 MHz 900 MHz - Tiempo de slot (piloto) 10 ns 10 ns 10 ns Tiempo de simulaci´ on 1 hora Tama˜ no del escenario 144 Km2(UMa) Capacidad media de los enlaces de backhaul 1 Gbps Tabla II PAR ´ AMETROS UTILIZADOS EN LA SIMULACI´ ON. En la Figura 2 se muestran los resultados obtenidos que corresponden al n´ umero de conexiones bloqueadas por la red para cada tipo de usuario. Como el tr´ afico se genera seg´ un distribuciones estoc´ asticas, se considera el porcentaje con respecto al total. Se considera que una conexi´ on sufre bloqueo (y su posterior descarte) cuando el enlace (bien sea entre el UE y la BS o en la red de backhaul) no tiene capacidad suficiente para satisfacer la demanda o cuando su latencia media es mayor a la requerida por el tr´ afico que est´ a pasando por el enlace. Bajo las mismas condiciones, se modifican las planificaciones de enlace para comprobar la eficacia que tiene cada una de ellas con el tipo de usuario al que van dirigido. Estimación capacidad Estimacion latencia SINR 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 % de conexiones bloqueadas eMBB URLLC mMTC Fig. 2. Porcentaje de conexiones bloqueadas con respecto al total, clasificadas por tipo de usuario seg´ un requerimientos (capacidad, latencia o densidad de conexi´ on), en funci´ on del tipo de planificaci´ on de enlace. Para observar de manera absoluta la evoluci´ on de las KPIs que se pretenden mejorar, se presentan los resultados de capacidad y latencia medias seg´ un los distintos mecanismos desarrollados a lo largo del tiempo de las simulaciones. Las l´ ıneas de error corresponden a unos intervalos de confianza del 95%, calculados con las 35 simulaciones realizadas. En la Figura 3 observamos la capacidad m´ axima te´ orica disponible, medida en Mbps, por los enlaces entre los usuarios y las estaciones base a las que est´ an conectados (en valor medio) seg´ un las planificaciones de enlace desarrolladas de estimaci´ on de latencia y capacidad, y la planificaci´ on de referencia por SINR. Se observa un aumento de la capacidad si utilizamos la estimaci´ on del canal para conectar a los usuarios a las estaciones base, y no ´ unicamente el nivel de se˜ nal recibida. Se aumenta la capacidad media de los enlaces en un 21’9% si se utiliza el estimador de capacidad para estimar la capacidad m´ axima. El sombreado de las gr´ aficas corresponde a los intervalos de confianza de las 35 ejecuciones realizadas. Los intervalos de confianza est´ an ajustados al 95%. En la Figura 4 se muestra, de la misma manera, la latencia de los enlaces que conectan a los usuarios con el RAN, medida en milisegundos, con los mecanismos propuestos, tomando como referencia la planificaci´ on por nivel de se˜ nal. This work is licensed under a Creative Commons 4.0 International License (CC BY-NC-ND 4.0) 258 Rico-Palomo, Galeano-Brajones, Valenzuela-Vald´ es, Cort´ es-Polo, Carmona-Murillo, 2021. 0 10 20 30 40 50 Tiempo de simulación (minutos) 80 90 100 110 120 130 Capacidad media (Mbps) Capacidad con Planificación 1 Capacidad con Planificación 2 Capacidad con Planificación 3 Fig. 3. Capacidad disponible por los usuarios de la simulaci´ on en funci´ on de la planificaci´ on de enlace. Planificaci´ on 1: estimaci´ on de capacidad; planificaci´ on 2: estimaci´ on de latencia; planificaci´ on 3: planificaci´ on de referencia basada en SINR. 0.0 10.0 20.0 30.0 40.0 50.0 Tiempo de simulación (minutos) 390 400 410 420 430 Latencia de propagación media (ns) Latencia con Planificación 1 Latencia con Planificación 2 Latencia con Planificación 3 Fig. 4. Latencia de los enlaces entre los usuarios y las estaciones base a las que est´ an conectados en funci´ on de la planificaci´ on de enlace. Planificaci´ on 1: estimaci´ on de capacidad; planificaci´ on 2: estimaci´ on de latencia; planificaci´ on 3: planificaci´ on de referencia basada en SINR. Se observa, adem´ as de una disminuci´ on del 7% en la latencia media de los enlaces, una estabilizaci´ on en la latencia de las comunicaciones, que puede ser utilizada para una mayor sincronizaci´ on de las conexiones. Los intervalos de confianza est´ an ajustados al 95%. V. CONCLUSIONES En este trabajo se presentan dos mecanismos basados en estimaci´ on del canal para las decisiones de planificaci´ on de enlace de los terminales m´ oviles de las redes celulares. Estos mecanismos son aplicados a la modelizaci´ on de un RAN con tecnolog´ ıa 5G y se centran en la evaluaci´ on de dos par´ ametros importantes: la capacidad y la latencia. Las pruebas se han realizado en herramientas de simulaci´ on de desarrollo propio basadas en eventos discretos, que eval´ uan los par´ ametros cuando cambian las condiciones del canal. Con los resultados obtenidos de las pruebas realizadas se pueden obtener las siguientes conclusiones: La planificaci´ on de enlace propuesta basada en estimaci´ on de latencia minimiza el n´ umero de conexiones bloqueadas para usuarios de tipo URLLC. Esto mejora la fiabilidad de las conexiones cr´ ıticas como el caso de los veh´ ıculos aut´ onomos, y dota la red de mayor robustez para conexiones de baja latencia, reduci´ endose en un 7%. Del mismo modo que la planificaci´ on de enlace basada en estimaci´ on de capacidad aumenta la capacidad media disponible en los enlaces de la generalidad de los usuarios en un 21%, factor clave para reducir el n´ umero de conexiones bloqueadas en los usuarios de tipo eMBB. Para los usuarios de tipo mMTC no se observan resultados concluyentes. La estimaci´ on del canal permite el desarrollo de mecanismos de nivel f´ ısico que mejoren el rendimiento del RAN o las capas superiores, minimizando el n´ umero de conexiones bloqueadas, descongestionando los enlaces de la red y aumentando, por tanto, la capacidad de las redes celulares. Descentralizando el costo del env´ ıo de pilotos y haciendo recaer el c´ omputo sobre los nodos m´ oviles, se reduce la complejidad de las estaciones base. Estas s´ olo tendr´ an que emitir pilotos cuando un usuario necesite menor latencia o mayor capacidad, y no de manera peri´ odica como en los mecanismos convencionales. Sin necesidad de mejorar la tecnolog´ ıa de las redes existentes, es posible optimizar el uso de los recursos mediante mecanismos que mezclan soluciones software con tratamiento de se˜ nal. Estas soluciones no plantean un gran cambio en la infraestructura, y permiten gran escalabilidad. El uso de se˜ nales pilotos permite, por tanto, distinguir desde el punto de vista de la red, las necesidades de los usuarios sin necesidad de un establecimiento de la conexi´ on. Como trabajos futuros podr´ ıa destacarse la aplicaci´ on de estos mecanismos para la reserva de recursos en una red con tecnolog´ ıa RAN-Slicing. Las estaciones base comparten una serie de recursos (capacidad, latencia, etc´ etera) que ser´ an utilizados por una misma slices. Los usuarios conectados a esa slice tendr´ an todos esos recursos accesibles independientemente del punto de acceso a la red al que est´ en conectados. Estos mecanismos pueden ayudar al orquestador de las slices a reservar recursos para poder aumentar el rendimiento de los enlaces y minimizar la p´ erdida de conexiones. AGRADECIMIENTOS Este trabajo ha sido financiado parcialmente por la Consejer´ ıa de Econom´ ıa e Infraestructuras de la Junta de Extremadura con el proyecto IB18003 y la Ayuda GR18141, y por el Ministerio de Ciencia, Innovaci´ on y Universidades con el proyecto RTI2018-102002-A-I00. This work is licensed under a Creative Commons 4.0 International License (CC BY-NC-ND 4.0) 259 Planificaciones de enlace basadas en estimaci´ on del canal aplicadas a 5G REFERENCIAS [1] Digital 2021: Global Overview Report. Accessed: May. 10, 2021. [Online]. Available: https://datareportal.com/reports/digital-2021-global-overview-report [2] D. Reinsel, J. Gantz and J. Rydning, ”The Digitization of the World from Edge to Core”, Seagate Technology, California, USA. White paper, 2018. [3] P. Popovski, K. F. Trillingsgaard, O. Simeone and G. Durisi, ”5G Wireless Network Slicing for eMBB, URLLC, and mMTC: A Communication-Theoretic View,” in IEEE Access, vol. 6, pp. 55765-55779, 2018. [4] G. Pocovi, K. I. Pedersen and P. Mogensen, ”Joint Link Adaptation and Scheduling for 5G Ultra-Reliable Low-Latency Communications,” in IEEE Access, vol. 6, pp. 28912-28922, 2018. [5] Z. Naghsh and S. Valaee, ”Conflict-Free Scheduling in Cellular V2X Communications,” in IEEE/ACM Transactions on Networking, vol. 29, no. 1, pp. 106-119, Feb. 2021. [6] T. E. Bogale, X. Wang and L. B. Le, ”Adaptive Channel Prediction, Beamforming and Scheduling Design for 5G V2I Network: Analytical and Machine Learning Approaches,” in IEEE Transactions on Vehicular Technology, vol. 69, no. 5, pp. 5055-5067, May 2020. [7] H. D. R. Albonda and J. P´ erez-Romero, ”An Efficient RAN Slicing Strategy for a Heterogeneous Network With eMBB and V2X Services,” in IEEE Access, vol. 7, pp. 44771-44782, 2019. [8] T. Guo and A. Su´ arez, ”Enabling 5G RAN Slicing With EDF Slice Scheduling,” in IEEE Transactions on Vehicular Technology, vol. 68, no. 3, pp. 2865-2877, March 2019. [9] A. Ram´ ırez-Arroyo, P. H. Zapata-Cano, ´ A. Palomares-Caballero, J. Carmona-Murillo, F. Luna-Valero & J. F. Valenzuela-Vald´ es, ”Multilayer Network Optimization for 5G & 6G,” in IEEE Access, vol. 8, pp. 204295-204308, 2020. [10] 3GPP TR 36.873, V12.1.0, “Study on 3D channel model for LTE (release 12),” Mar. 2015. [11] S. Sun et al., ”Investigation of Prediction Accuracy, Sensitivity, and Parameter Stability of Large-Scale Propagation Path Loss Models for 5G Wireless Communications,” in IEEE Transactions on Vehicular Technology, vol. 65, no. 5, pp. 2843-2860, May 2016, doi: 10.1109/TVT.2016.2543139. [12] Foschini, G. & Gans, M. ”On Limits of Wireless Communications in a Fading Environment when Using Multiple Antennas”, in Wireless Personal Communications 6, 311–335 (1998). [13] D. A. Chekired, M. A. Togou, L. Khoukhi & A. Ksentini, ”5G-Slicing-Enabled Scalable SDN Core Network: Toward an Ultra-Low Latency of Autonomous Driving Service,” in IEEE Journal on Selected Areas in Communications, vol. 37, no. 8, pp. 1769-1782, 2019. [14] Rel-15, document TR 21.915, 3GPP, 2018. [15] M. Gapeyenko et al., ”On the Temporal Effects of Mobile Blockers in Urban Millimeter-Wave Cellular Scenarios,” in IEEE Transactions on Vehicular Technology, vol. 66, no. 11, pp. 10124-10138, 2017. [16] S. Pratschner, S. Schwarz and M. Rupp, ”Single-user and multi-user MIMO channel estimation for LTE-Advanced uplink,” 2017 IEEE International Conference on Communications (ICC), 2017, pp. 1-6. [17] J. Navarro-Ortiz, P. Romero-Diaz, S. Sendra, P. Ameigeiras, J. J. Ramos-Munoz and J. M. Lopez-Soler, ”A Survey on 5G Usage Scenarios and Traffic Models,” in IEEE Communications Surveys & Tutorials, vol. 22, no. 2, pp. 905-929, Secondquarter 2020. [18] “3rd Generation Partnership Project; technical Specification Group Radio Access Network; Evolved Universal Terrestrial Radio Access (E-UTRA); Further advancements for E-UTRA physical layer aspects (Release 9),” Tech. Rep. 3GPP TR 36.814 V9.2.0, Mar. 2017. [19] Carrascosa, Marc & Bellalta, Boris. (2020). Cloud-gaming:Analysis of Google Stadia traffic. arXiv:2009.09786. [20] X. Wang, T. Kwon, Y. Choi, M. Chen and Y. Zhang, ”Characterizing the gaming traffic of World of Warcraft: From game scenarios to network access technologies,” in IEEE Network, vol. 26, no. 1, pp. 27-34, January-February 2012. [21] “LTE physical layer framework for performance verification,” Tech. Rep. 3GPP TSG-RAN1#48 R1-070674, Feb. 2007. [22] Y. Al Mtawa, A. Haque and B. Bitar, ”The Mammoth Internet: Are We Ready?,” in IEEE Access, vol. 7, pp. 132894-132908, 2019. [23] “3rd Generation Partnership Project; Technical Specification Group Radio Access Network; Study on RAN Improvements for Machine-type Communications (Release 11),” Tech. Rep. 3GPP TR 37.868 V11.0.0, Sep. 2011. [24] F. Hu, Y. Deng, W. Saad, M. Bennis and A. H. Aghvami, ”Cellular-Connected Wireless Virtual Reality: Requirements, Challenges, and Solutions,” in IEEE Communications Magazine, vol. 58, no. 5, pp. 105-111, May 2020. [25] S. Friston et al., ”Quality of Service Impact on Edge Physics Simulations for VR,” in IEEE Transactions on Visualization and Computer Graphics, vol. 27, no. 5, pp. 2691-2701, May 2021. [26] Wang, J., Shao, Y., Ge, Y., & Yu, R. (2019). A survey of vehicle to everything (V2X) testing. Sensors, 19(2), 334. [27] Storck CR, Duarte-Figueiredo F. A 5G V2X Ecosystem Providing Internet of Vehicles. Sensors. 2019; 19(3):550. This work is licensed under a Creative Commons 4.0 International License (CC BY-NC-ND 4.0) 260