Otimização do Desempenho da Computação de Borda através de Técnicas Avançadas de Poda e Aprendizado Multitarefa para Predição Aprimorada de Funcionalidades 5G.

• Processo: 24/18359-0
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de dezembro de 2024
• Data de Término da vigência: 30 de novembro de 2028
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Fabio Luciano Verdi
• Beneficiário: Mina Kaviani
• Instituição Sede: Centro de Ciências em Gestão e Tecnologia (CCGT). Universidade Federal de São Carlos (UFSCAR). Campus de Sorocaba. Sorocaba , SP, Brasil
• Empresa: Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação (FEEC)
• Vinculado ao auxílio: 21/00199-8 - Redes e serviços inteligentes rumo 2030 (SMARTNESS), AP.PCPE
• Palavra(s)-Chave do Pesquisador: convolutional neural network (CNN) | edge computing | Multi-Task Learning (MTL) | Pruning | 5G Network | Computer Engineering, focusing on the application of Artificial Intelligence (AI) for 5G network prediction and optimization

Resumo

O rápido avanço da tecnologia 5G provocou uma mudança fundamental na comunicação, impulsionando a necessidade de aprimorar as capacidades de Computação de Borda (Edge Computing - EC) para atender às crescentes demandas por funcionalidades preditivas. À medida que a tecnologia 5G continua a progredir, é essencial melhorar a EC para atender aos requisitos crescentes de funcionalidades preditivas. Um dos objetivos desta pesquisa é prever indicadores do 5G, como o Indicador de Qualidade do Canal (CQI), Throughput e Latência, utilizando modelos de Redes Neurais Profundas (Deep Neural Networks - DNN). Antecipar essas métricas é vital para manter e melhorar a eficácia, a confiabilidade e a satisfação do usuário nas redes 5G. Implementar esses modelos em ambientes de Borda pode representar desafios significativos devido às altas exigências de memória e poder de processamento. Para lidar com questões como limitações de memória e velocidade de processamento, planejamos utilizar técnicas como Aprendizado de Tarefas Múltiplas (Multi-Task Learning - MTL) e poda de modelos (model pruning). Ao aplicar métodos avançados de poda e algoritmos de MTL, buscamos otimizar o processamento de dados enquanto aprimoramos a precisão preditiva. Através da poda de dados, reduzimos a carga computacional sobre os dispositivos de Borda, facilitando um processamento mais rápido. Simultaneamente, o MTL permite a previsão simultânea de múltiplas funcionalidades do 5G, garantindo robustez e precisão. Ao utilizar esses métodos, esperamos não apenas uma maior eficiência na EC, mas também uma experiência de usuário mais fluida à medida que as redes sem fio evoluem, com melhorias substanciais na eficiência computacional e na precisão das previsões. Pretendemos avaliar nossas abordagens utilizando conjuntos de dados 5G de acesso público, variando diferentes cenários, como pedestres e movimentos de veículos.