Defesa de: Tese de Doutorado
Candidato(a): Diego Canizio Lopes
Data: 24 de agosto de 2026, às 14h00
Local: Por videoconferência
Link para a defesa: https://meet.google.com/dvk-bfru-map
Resumo
O escalonamento de recursos de rádio na quinta geração de redes móveis (5G), em particular no New Radio (NR), deve conciliar eficiência e justiça no atendimento a equipamentos de usuário (UEs, do inglês User Equipment) com diferentes condições de canal e demandas de tráfego. Escalonadores como Round Robin (RR), Proportional Fair (PF) e Maximum Rate (MR) utilizam critérios previamente definidos e privilegiam regiões distintas desse compromisso. Esta tese propõe o In-Action Fair Max Rate (IA-FMR), um mecanismo de escalonamento baseado em aprendizado por reforço no qual o compromisso entre vazão agregada e justiça é representado diretamente no espaço de ações. A cada intervalo de escalonamento, o agente produz conjuntamente os valores que determinam a distribuição dos recursos entre os UEs e o parâmetro alpha, que controla dinamicamente a importância relativa de eficiência e justiça na decisão. Dessa forma, uma única política pode ajustar seu ponto de operação durante a execução de acordo com o estado observado da rede. As políticas do agente são treinadas com o algoritmo Proximal Policy Optimization (PPO) e integradas ao ns-3/5G-LENA por meio do ns3-ai.
A avaliação experimental compreende três eixos: Avaliação por Largura de Banda, Avaliação de Escalabilidade por Número de UEs e Avaliação de Qualidade de Experiência (QoE) em Aplicações de Vídeo. Em doze configurações de largura de banda da Frequency Range 1 (FR1) do 5G NR, de 10, 15, 20, 25, 30, 40, 50, 60, 70, 80, 90 e 100 MHz, o IA-FMR obtém vazão superior à de RR e PF em todas as bandas, mantém justiça próxima à do RR e apresenta menor concentração de recursos que o MR. Nas configurações com 3, 5, 7 e 9 UEs, preserva acesso aos recursos e Índice de Jain entre 0,947 e 0,992, embora o aumento da saturação reduza o desempenho individual e eleve perdas e atraso.
Na avaliação de vídeo com seis UEs, 67,7% das unidades geradas com o IA-FMR são recebidas em até 60 ms após sua geração, em comparação com 53,1% no RR, 47,1% no PF e 46,4% no MR. Neste cenário as métricas utilizadas como indicadores são calculadas após as simulações e não integram o treinamento do agente. Nas condições avaliadas, o IA-FMR combina Índice de Jain médio de 0,982 nas doze larguras de banda com maior aproveitamento da capacidade da célula e desempenho consistente em diferentes condições de carga e aplicação.
Abstract
Radio resource scheduling in fifth-generation mobile networks (5G), particularly in the New Radio (NR) standard, must reconcile efficiency and fairness when serving user equipments (UEs) under different channel conditions and traffic demands. Schedulers such as Round Robin (RR), Proportional Fair (PF), and Maximum Rate (MR) rely on predefined criteria and favor different regions of this trade-off. This thesis proposes the \textit{In-Action Fair Max Rate} (IA-FMR), a reinforcement learning-based scheduling mechanism in which the trade-off between aggregate throughput and fairness is represented directly in the action space. At each scheduling interval, the agent jointly produces the values that determine resource distribution among UEs and the parameter alpha, which dynamically controls the relative importance of efficiency and fairness in the scheduling decision. In this way, a single policy can adjust its operating point at runtime according to the observed network state. The agent policies are trained using the Proximal Policy Optimization (PPO) algorithm and integrated into ns-3/5G-LENA through ns3-ai.
The experimental evaluation comprises three axes: Bandwidth Evaluation, Scalability Evaluation by Number of UEs, and Quality of Experience (QoE) Evaluation for Video Applications. Across twelve bandwidth configurations within the 5G NR Frequency Range 1 (FR1), namely 10, 15, 20, 25, 30, 40, 50, 60, 70, 80, 90, and 100 MHz, IA-FMR achieves higher throughput than RR and PF in all bandwidths, maintains fairness close to that of RR, and exhibits lower resource concentration than MR. In configurations with 3, 5, 7, and 9 UEs, it preserves access to resources and achieves Jain’s fairness index values between 0.947 and 0.992, although increasing saturation reduces individual performance and increases packet loss and delay.
In the video evaluation with six UEs, 67.7% of the units generated under IA-FMR are received within 60 ms of their generation, compared with 53.1% for RR, 47.1% for PF, and 46.4% for MR. In this scenario, the metrics used for evaluation are computed after the simulations and are not included in the agent training process. Under the evaluated conditions, IA-FMR combines an average Jain’s fairness index of 0.982 across the twelve bandwidth configurations with greater utilization of cell capacity and consistent performance under different load conditions and application scenarios.
Banca Examinadora
- Prof. Igor Monteiro Moraes, UFF – Presidente
- Prof. Célio Vinicius Neves de Albuquerque, UFF
- Profa. Débora Christina Muchaluat Saade, UFF
- Prof. André Luiz Nasserala Pires, UFAC
- Prof. Ian Vilar Bastos, UERJ
- Prof. Rodrigo de Souza Couto, UFRJ
- Prof. Weverton Luis da Costa Cordeiro, UFRGS
Leitura Recomendada em Metodologia de Pesquisa
Para quem está iniciando ou revisando os fundamentos metodológicos de uma pesquisa em Ciência da Computação, seguem algumas referências clássicas e amplamente utilizadas em Mestrados e Doutorados da área:
- Wazlawick, R. S. (2017). Metodologia de Pesquisa para Ciência da Computação. Editora Campus/Elsevier.
- Creswell, J. W., & Creswell, J. D. (2018). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. SAGE Publications.
- Yin, R. K. (2018). Case Study Research and Applications: Design and Methods. SAGE Publications.
- Wohlin, C., Runeson, P., Höst, M., Ohlsson, M. C., Regnell, B., & Wesslén, A. (2012). Experimentation in Software Engineering. Springer.
- Basili, V. R., Caldiera, G., & Rombach, H. D. (1994). The Goal Question Metric Approach. Encyclopedia of Software Engineering, Wiley.
- Glass, R. L., Ramesh, V., & Vessey, I. (2004). An Analysis of Research in Computing Disciplines. Communications of the ACM, 47(6).
- Shaw, M. (2003). Writing Good Software Engineering Research Papers. Proceedings of the 25th International Conference on Software Engineering (ICSE).
- Easterbrook, S., Singer, J., Storey, M.-A., & Damian, D. (2008). Selecting Empirical Methods for Software Engineering Research. In Guide to Advanced Empirical Software Engineering, Springer.
- Kitchenham, B., & Charters, S. (2007). Guidelines for Performing Systematic Literature Reviews in Software Engineering. EBSE Technical Report.
- Booth, W. C., Colomb, G. G., & Williams, J. M. (2016). The Craft of Research. University of Chicago Press.
Publicado por Maiquel Gomes — maiquelgomes.com.br
Graduado em Ciências Atuariais pela Universidade Federal Fluminense (UFF) e Mestrando em IA no Instituto de Computação da UFF (nota máxima no CAPES). Palestrante e Professor de Inteligência Artificial e Linguagem de Programação; autor de livros, artigos e aplicativos.
Professor do Grupo de Trabalho em Inteligência Artificial da UFF (GT-IA/UFF) e do Laboratório de Inovação, Tecnologia e Sustentabilidade (LITS/UFF), entre outros projetos.
Proprietário dos projetos:
entre outros.
💫 Apaixonado pela vida, pelas amizades, pelas viagens, pelos sorrisos, pela praia, pelas baladas, pela natureza, pelo jazz e pela tecnologia.
