Predicción de comportamiento en tráfico de red LTE y ajuste de parametrización para maximizar performance de red

Abstract

Debido al actual crecimiento y aumento en la complejidad de las redes de telefonía móvil, cada vez se hace más difícil el monitoreo y optimización de estas para mantener una calidad de servicio acorde al mercado. Es por esto que empresas como Entel están en busca de soluciones para automatizar procesos y dejar de lado el análisis descriptivo, reemplazándolo por análisis predictivo. Esto es posible utilizando nuevas tecnologías desarrolladas actualmente basadas en inteligencia artificial, específicamente aprendizaje de máquinas. Se implementó un modelo predictivo compuesto por tres bloques, con el objetivo principal de detectar celdas LTE con mal rendimiento de throughtput, utilizando un umbral de 3.3 Mbps, esto para su posterior optimización utilizando balanceo de carga, es decir, traspaso de usuarios de una celda crítica a una de buen estado. El primer bloque es un algoritmo clasificador que diferencia entre celdas con buen y mal rendimiento, mientras que el segundo bloque selecciona las mejores celdas para el balanceo de carga, para finalmente aplicar un algoritmo regresivo a cada una en el tercer bloque. El modelo desarrollado cumplió los objetivos estipulados, obteniendo altas tasas de detección de celdas con mal rendimiento y un bajo error en las curvas obtenidas con la regresión. Finalmente gracias a los buenos resultados el modelo esta siendo implementado por el equipo de optimización de Entel.