Aprendizaje en línea para el ahorro de energía y la coordinación de interferencias en HetNets

En redes celulares heterogéneas (HetNets), apagar pequeñas celdas durante períodos de bajo tráfico de usuarios ha demostrado ser una estrategia efectiva de ahorro de energía. Sin embargo, esta estrategia tiene fuertes interacciones con los mecanismos de coordinación de interferencias (IC), lo que hace conveniente abordar ambas tareas simultáneamente. La motivación de este documento es desarrollar un algoritmo de auto-optimización capaz de controlar conjuntamente el ahorro de energía y los mecanismos de IC utilizando un enfoque de aprendizaje en línea. Nuestra propuesta se basa en una formulación de bandido contextual que, entre otros desafíos, implica descubrir las acciones de control más eficientes en términos de energía mientras se satisface un nivel predefinido de Calidad de Servicio (QoS) para los usuarios. Proponemos un marco de dos niveles que comprende un controlador global, encargado de un grupo de celdas macro, y múltiples controladores locales, uno por celda macro. El controlador global implementa un nuevo algoritmo, denominado Estimación de Respuesta Bayesiana y Búsqueda de Umbral (BRETS), que es capaz de aprender, para cada acción de control, sus límites de viabilidad en términos de QoS y su consumo de energía como función del tráfico de usuarios agregado. El algoritmo viene con un límite sobre su tiempo de convergencia esperado. Los controladores locales traducen las acciones de control aprendidas por el controlador global en decisiones locales. Nuestros resultados numéricos muestran que BRETS es solo un 1% menos eficiente que una política de oráculo ideal, superando claramente otros algoritmos de referencia.