Artificial Intelligence and Quantum Techniques for Cellular Network Resilience and Optimization

• Autores: Javier Villegas Carrasco
• Directores de la Tesis: Sergio Fortes Rodríguez (dir. tes.), Raquel Barco Moreno (dir. tes.)
• Lectura: En la Universidad de Málaga ( España ) en 2026
• Idioma: inglés
• Programa de doctorado: Programa de Doctorado en Ingeniería de Telecomunicación por la Universidad de Málaga
• Enlaces
  • Tesis en acceso abierto en: RIUMA
• Resumen

  • La gestión de redes ha evolucionado significativamente a lo largo de los años, pasando de los métodos tradicionales a enfoques más avanzados y automatizados. Esta evolución ha sido impulsada por la creciente complejidad de las redes, la necesidad de supervisión en tiempo real y la demanda de mayor seguridad y rendimiento. Esta gestión es fundamental para garantizar que los usuarios reciban un servicio fiable y eficiente, así como para mantener el buen estado general de la infraestructura de red y reducir los costes de funcionamiento de los operadores de redes móviles (Mobile Network Operators, MNOs).

    Tradicionalmente, la gestión de redes dependía en gran medida de procesos manuales y configuraciones estáticas con la ayuda de herramientas desarrolladas para el sistema de soporte de operaciones (Operation Support System, OSS). Sin embargo, en los años 2000 surgió el paradigma de las redes autoorganizadas (Self-Organizing Networks, SON), el cual introdujo en las redes capacidades de autoconfiguración, autooptimización y autorreparación. Este cambio permitió prácticas de gestión más dinámicas y adaptables, reduciendo la necesidad de intervención humana y mejorando la resiliencia de la red, lo que redujo significativamente los gastos de operación (OPEX) de los MNO. Además, con la omnipresencia del aprendizaje automático (Machine Learning, ML) y la inteligencia artificial (IA), las SON avanzaron hacia lo que ahora se conoce como gestión de redes y servicios sin intervención (Zero-Touch Network and Service Management, ZSM).

    No obstante, las nuevas generaciones de redes celulares, concretamente el 5G y Beyond-5G, han introducido retos y oportunidades sin precedentes para la gestión de redes. Esto se debe a la mayor heterogeneidad de las tecnologías y los servicios, la proliferación de arquitecturas de red desagregadas y distribuidas (por ejemplo, O-RAN) y el enorme aumento de los dispositivos conectados y los datos generados. Estos factores han hecho inviable la optimización manual y han centrado todos los esfuerzos en mejorar las técnicas de IA/ML para la gestión de redes.

    Esta tesis desarrolla y valida un conjunto de técnicas basadas en IA/ML para la gestión de redes 5G y Beyond-5G, con el objetivo de avanzar en el estado del arte en este campo. En particular, se centra en mejorar la eficiencia de las funciones RAN distribuidas, avanzar en la resolución de problemas de fallos de redes celulares e introducir tecnologías cuánticas para la gestión de redes celulares.

    En primer lugar, investiga los perfiles de consumo de energía de las funciones RAN distribuidas y propone un método heurístico distribuido para reducir el consumo de energía de la unidad central de procesamiento (Central Processing Unit, CPU), sentando las bases para un futuro agente de aprendizaje por refuerzo (Reinforcement Learning, RL) para el ahorro de energía en O-RAN.

    En segundo lugar, examina el uso de técnicas de IA/ML para la resolución de fallos en redes celulares. Dado que la mayoría de estas técnicas se basan en el aprendizaje no supervisado, la tesis propone un conjunto de técnicas para etiquetar automáticamente los fallos de red, lo que facilita el proceso de entrenamiento posterior de modelos de aprendizaje supervisado. Además, propone un método para utilizar las etiquetas generadas con el fin de fusionar y reutilizar los conjuntos de datos más apreciados.

    Por último, explora el potencial de las técnicas de ML basadas en la cuántica para la gestión de redes. Para ello, propone un esquema para integrar las técnicas cuánticas en la arquitectura O-RAN y evalúa su usabilidad para un conjunto de casos de uso relacionados con la gestión de redes. A continuación, propone un marco de optimización basado en la cuántica para mejorar la calidad de la experiencia (Quality of Experience, QoE) en las redes celulares mediante la asignación de recursos radioeléctricos, aplicando y evaluando múltiples mecanismos de ML basados en cuántica.