MACHINE LEARNING FOR WIRELESS NETWORKING IN HIGHLY DYNAMIC SCENARIOS
EL INTERES EN USAR EFICIENTEMENTE LAS BANDAS DE ESPECTRO INDUSTRIAL, CIENTIFICO Y MEDICO (ISM) PARA COMUNICACIONES INALAMBRICAS ESTA CRECIENDO TAMBIEN ENTRE LOS OPERADORES DE TELECOMUNICACIONES QUE OFRECEN ACCESO A INTERNET DE BAN...
EL INTERES EN USAR EFICIENTEMENTE LAS BANDAS DE ESPECTRO INDUSTRIAL, CIENTIFICO Y MEDICO (ISM) PARA COMUNICACIONES INALAMBRICAS ESTA CRECIENDO TAMBIEN ENTRE LOS OPERADORES DE TELECOMUNICACIONES QUE OFRECEN ACCESO A INTERNET DE BANDA ANCHA, SIN EMBARGO, DEBIDO A LAS CONDICIONES DE 'LIBRE USO' EN LAS BANDAS ISM, Y DADOS SUS NIVELES ACTUALES Y FUTUROS DE CONGESTION, OFRECER GARANTIAS DE SERVICIO A LOS USUARIOS FINALES ES UNA MISION DIFICIL DEBIDO A LAS COMPLEJAS Y CAMBIANTES INTERACCIONES ENTRE REDES QUE COMPITEN POR LOS MISMOS RECURSOS,EN UN ENTORNO DE RED DE TAL COMPLEJIDAD, HETEROGENEIDAD E IMPREVISIBILIDAD, LAS ESTRATEGIAS ACTUALES DE GESTION DE RECURSOS NO SON SUFICIENTEMENTE CAPACES DE MANTENER EL SISTEMA FUNCIONANDO EN CONDICIONES OPTIMAS, ADEMAS, DADO QUE LAS REDES RARA VEZ ESTARAN OPERANDO EN UN ESTADO ESTACIONARIO, EL USO DE TECNICAS TRADICIONALES PARA ANALIZAR EL RENDIMIENTO DEL SISTEMA ES INVIABLE, BAJO ESTAS CONDICIONES, EXISTE UN INTERES CRECIENTE EN EL USO DE TECNICAS DE APRENDIZAJE AUTOMATICO, CAPACES DE COMPRENDER LAS INTERACCIONES ENTRE REDES, EXPLORAR EL EFECTO DE DIFERENTES ACCIONES Y ELEGIR INTELIGENTEMENTE AQUELLAS QUE MAXIMICEN EL RENDIMIENTO GENERAL DEL SISTEMA,A PESAR DEL RECIENTE INTERES DE LA COMUNIDAD INVESTIGADORA Y LA INDUSTRIA, EL USO DE TECNICAS DE APRENDIZAJE AUTOMATICO PARA EL MANEJO DE RECURSOS EN REDES INALAMBRICAS TODAVIA ESTA EN SUS INICIOS, UNA DE LAS PRIMERAS PREGUNTAS A RESOLVER ES DONDE IMPLEMENTAR ESTAS FUNCIONALIDADES PARA MAXIMIZAR SU POTENCIAL, POR UN LADO, HACERLO EN LA NUBE GARANTIZA UNA GRAN POTENCIA DE COMPUTO Y UNA GRAN DISPONIBILIDAD DE DATOS, LO QUE PERMITE TOMAR DECISIONES PRECISAS SOBRE LOS FUTUROS ESTADOS DE LA RED, PERO A COSTA DE UNA GRAN LATENCIA EN LA RESPUESTA, POR OTRO LADO, MOVERLAS A LOS EXTREMOS LIMITA TANTO LOS ASPECTOS ANTERIORES, PERO PERMITE DAR RESPUESTAS RAPIDAMENTE,EN ESA ENCRUCIJADA, ESTE PROYECTO BUSCA COMBINAR DE MANERA EFICIENTE AMBOS ENFOQUES, ES DECIR, DECISIONES LOCALES "A CORTO PLAZO" (BASADAS EN INFORMACION PARCIAL) CON DECISIONES MUCHO MAS PRECISAS PERO "A MEDIO / LARGO PLAZO" (BASADAS EN UNA VISION GLOBAL DE LA RED), ESTA ES UNA RUTA DE INVESTIGACION AUN NO EXPLORADA CON MUCHOS DESAFIOS POR DELANTE, INCLUIDOS EL DISEÑO DE METODOS DE APRENDIZAJE AUTOMATICO COMPATIBLES, LA DEFINICION DE LOS DOMINIOS DE ACCION ENTRE LOS PUNTOS DE DECISION Y UNA EVALUACION DEL DESEMPEÑO CUALITATIVA Y CUANTITATIVA QUE TENGA EN CUENTA LOS COSTES DE LAS ACCIONES QUE SE TOMEN, ENTRE OTROS ASPECTOS,RESOLVER ESOS DESAFIOS ES EL OBJETIVO PRINCIPAL DE ESTE PROYECTO, ASI, SE DISEÑARA Y EVALUARA UNA ARQUITECTURA DE RED, NUEVAS FUNCIONALIDADES Y PROTOCOLOS CAPACES DE COMBINAR EFICIENTEMENTE DECISIONES DE OPTIMIZACION LOCALES Y GLOBALES BASADAS EN EL USO DE TECNICAS DE APRENDIZAJE AUTOMATICO, TAMBIEN SE CARACTERIZARAN LAS INTERACCIONES ENTRE LOS MULTIPLES PUNTOS DE DECISION, ESTUDIANDO TANTO LOS REGIMENES TRANSITORIOS COMO ESTACIONARIOS, LAS CONDICIONES DE ESTABILIDAD, Y SU CAPACIDAD Y VELOCIDAD PARA CONVERGER A SOLUCIONES OPTIMAS,SE ESPERA QUE EL PROYECTO TENGA UN GRAN IMPACTO EN LA COMUNIDAD CIENTIFICA, LOS COMITES DE ESTANDARIZACION Y EL SECTOR INDUSTRIAL, PROPORCIONANDO UN MARCO TEORICO Y PRACTICO DONDE EVALUAR EL ENFOQUE PROPUESTO, CON ESTE PROYECTO, SE BUSCA MEJORAR SIGNIFICATIVAMENTE LA EFICIENCIA EN LA UTILIZACION DEL ESPECTRO EN LAS BANDAS ISM, CON EL OBJETIVO DE LOGRAR UN FACTOR DE GANANCIA X10 CON RESPECTO A LA QOE OBSERVADA POR LOS USUARIOS FINALES, REDES INALÁMBRICAS\GESTIÓN DE RECURSOS\APRENDIZAJE AUTOMÁTICOver más
Seleccionando "Aceptar todas las cookies" acepta el uso de cookies para ayudarnos a brindarle una mejor experiencia de usuario y para analizar el uso del sitio web. Al hacer clic en "Ajustar tus preferencias" puede elegir qué cookies permitir. Solo las cookies esenciales son necesarias para el correcto funcionamiento de nuestro sitio web y no se pueden rechazar.
Cookie settings
Nuestro sitio web almacena cuatro tipos de cookies. En cualquier momento puede elegir qué cookies acepta y cuáles rechaza. Puede obtener más información sobre qué son las cookies y qué tipos de cookies almacenamos en nuestra Política de cookies.
Son necesarias por razones técnicas. Sin ellas, este sitio web podría no funcionar correctamente.
Son necesarias para una funcionalidad específica en el sitio web. Sin ellos, algunas características pueden estar deshabilitadas.
Nos permite analizar el uso del sitio web y mejorar la experiencia del visitante.
Nos permite personalizar su experiencia y enviarle contenido y ofertas relevantes, en este sitio web y en otros sitios web.