Tesis doctoral 

El surgimiento de casos de uso avanzados de nueva generación ha redefinido fundamentalmente los conceptos de servicios y aplicaciones, prometiendo agilizar la gestión de las actividades cotidianas a través de una diversa gama de soluciones. En particular, las aplicaciones metaversales, que facilitan interacciones inmersivas en sectores como la industria, la educación, la defensa y el entretenimiento, ejemplifican estos avances. Estas innovaciones están dando nueva forma al diseño y desarrollo de las redes móviles de próxima generación. La prestación de estos servicios requiere redes capaces de satisfacer requisitos heterogéneos, como velocidades de datos más altas, latencia reducida, fiabilidad mejorada y recursos informáticos sustanciales para garantizar experiencias de usuario superiores. Esta situación puede agregar estrés a la infraestructura, de ahí que la gestión de la red sea crucial para hacerle frente. Tradicionalmente, esta última se ha basado en la experiencia y la toma de decisiones humanas, complementadas por los sistemas de apoyo a las operaciones (OSS). Los esfuerzos por automatizar estos procesos llevaron a la introducción de redes autoorganizadas (SON) en los sistemas heredados para mejorar la resistencia y la eficiencia de la red.

La llegada de la 5G ha hecho posibles muchos de estos casos de uso avanzados, pero la gestión de un abanico tan amplio de servicios con requisitos diversos y operaciones intensivas en datos plantea retos sustanciales. La introducción de flexibilidad arquitectónica, descentralización e inteligencia multinivel ha creado un entorno complejo en el que la Inteligencia Artificial (IA) y el Aprendizaje Automático (ML) ofrecen un potencial significativo. Al analizar los datos accesibles a través de la red, el ML puede extraer información valiosa, reconocer patrones y detectar anomalías que podrían eludir los operadores humanos. Este paradigma cambia de una gestión centrada en la red a otra centrada en el usuario, mejorando el rendimiento del servicio para ajustarse a los compromisos de los Acuerdos de Nivel de Servicio (SLA). Este cambio exige ir más allá de los tradicionales contadores e indicadores clave de rendimiento (KPI) que evalúan la prestación de servicios desde una perspectiva centrada en la red. En su lugar, los Indicadores Clave de Calidad (KQI) han surgido como métricas críticas para evaluar el rendimiento en toda la cadena de comunicación.

Esta tesis aprovecha el paradigma de las redes móviles de nueva generación, combinado con las capacidades de ML, para desarrollar mecanismos de gestión de la calidad de los servicios. En primer lugar, examina los servicios multimedia avanzados, identificados como aplicaciones críticas para 5G y más allá, centrándose en la Realidad Extendida (XR). Una exhaustiva revisión bibliográfica identifica los KQI clave que reflejan el rendimiento del servicio y aborda los requisitos y retos únicos a los que se enfrentan los Proveedores de Servicio de Conectividad (CSP) a la hora de prestar servicios de extremo a extremo (E2E) de alta calidad bajo las restricciones de los SLA. A continuación, se desarrollan métricas específicas del servicio para juegos en la nube (CG), vídeo de 360 grados y realidad virtual en la nube (Cloud VR). A continuación, se lleva a cabo una investigación empírica mediante la integración de estos servicios en bancos de pruebas bajo escenarios controlados, lo que permite el análisis de los impactos de la red mediante la comparación del rendimiento del servicio a través de diversos entornos de red inalámbrica (por ejemplo, Wi-Fi, LTE, 5G), diferentes condiciones de radio y escenarios de movilidad.

En consecuencia, este trabajo explora el potencial del ML en la gestión de redes, centrándose especialmente en el servicio de vídeo de 360 grados. Utilizando el conjunto de datos generado, se desarrolla un marco basado en ML para entrenar, optimizar y evaluar modelos que predicen KQIs basados en condiciones de radio y estadísticas de red. La selección de modelos se guía por la puntuación de error de rendimiento y tiempo de predicción (PET_score), una métrica propuesta que equilibra el error y el tiempo de procesamiento, garantizando la idoneidad para aplicaciones sensibles al tiempo. Para ilustrar la aplicación de ML en la gestión de redes E2E, se propone un enfoque de optimización de recursos. Esta solución integra el modelado del rendimiento del servicio con la optimización numérica, en la que se desarrollan modelos de recursos específicos del canal basados en ML a partir de los KQI y las condiciones del canal. Mediante la optimización de una función objetivo que tiene en cuenta los recursos de la red y la calidad de la experiencia (QoE), este enfoque identifica la asignación de recursos más eficaz para el cumplimiento de los SLA.

En conclusión, esta tesis demuestra la viabilidad de las estrategias AI/ML como potentes herramientas para la gestión inteligente en redes de próxima generación, destacando prometedoras vías para futuras investigaciones y potenciales contribuciones a la evolución de futuros estándares de red.