AI-based Management for Advanced Wireless Networks Applications

• Autores: Juan Cantizani Estepa
• Directores de la Tesis: Raquel Barco Moreno (dir. tes.), Sergio Fortes Rodríguez (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 evolución de las redes inalámbricas ha ampliado su papel más allá de la conectividad tradicional, permitiendo nuevos servicios en ámbitos como las emergencias, la industria, los aeropuertos y el Internet of Things (IoT). Las redes 5G y beyond-5G ofrecen mayor capacidad, baja latencia, alta fiabilidad y arquitecturas programables, facilitando aplicaciones avanzadas. Sin embargo, esta mayor flexibilidad incrementa la complejidad de la gestión de red, haciendo insuficientes los métodos tradicionales.

    En este contexto, la Inteligencia Artificial (IA) y el aprendizaje máquina constituyen herramientas clave para automatizar el análisis, la monitorización y la explotación de los datos generados por las redes. Esta tesis aborda estos retos mediante el estudio de nuevos casos de uso inalámbricos y el desarrollo de mecanismos inteligentes para la gestión de redes.

    En primer lugar, se investigan aplicaciones en los ámbitos de las emergencias y los aeropuertos. Se evalúa el uso de dispositivos Bluetooth Low Energy como radiofaros oportunistas para la detección de víctimas en misiones de búsqueda y rescate mediante plataformas robóticas. Asimismo, se analizan casos de uso de 5G en entornos aeroportuarios, incluyendo un sistema de monitorización de carros basado en NarrowBand IoT (NB-IoT) y un servicio de inspección remota de aeronaves orientado a enhanced Mobile BroadBand (eMBB).

    Posteriormente, la tesis propone tres contribuciones para la gestión inteligente de redes: un marco no supervisado basado en análisis multirresolución, transformadas wavelet y clustering para detectar anomalías; un método de estimación sintética de métricas mediante inferencia transductiva y autoencoders variacionales para prolongar la utilidad de conjuntos de datos; y un sistema basado en Large Language Models (LLMs) para consultar bases de datos IoT mediante lenguaje natural.

    En conjunto, los resultados demuestran el potencial de las redes inalámbricas avanzadas y la IA para habilitar nuevos servicios y mejorar la gestión de futuras infraestructuras de comunicación.