Predicción de tráfico en redes móviles mediante Deep Learning

Abstract

Se pretende presentar en este trabajo un estudio para la predicción de datos de tráfico de red basado en técnicas de Deep Learnig. Con las predicciones obtenidas se pretende optimizar los elementos virtualizados de la arquitectura de red de acceso móvil Cloud RAN. En primer lugar, se presentarán conceptos relativos al objeto de estudio como la virtualización, 5G y la arquitectura Cloud RAN. Se podrán ver con detalle ya que forman parte del contexto de la predicción de datos del trabajo. Para alcanzar el objetivo de predicción de datos, se presentarán también las herramientas que se utilizarán en el desarrollo de los modelos predictivos. Hablamos de las herramientas Python, Pandas, Numpy, Matplotlib y Tensorflow. Esta última nos va a permitir aplicar los modelos basados en Deep Learning. Se analizarán con detalle los principales algoritmos que se pueden implementar para realizar las predicciones. También se contemplará como debemos acomodar los datos para el trabajo en este tipo de modelos. Introduciremos los conjuntos de entrenamiento, validación y test y conceptos como underfitting y overrfitting. Se mostrarán los resultados obtenidos con varios métodos de predicción de datos implementados. Observaremos como conseguimos obtener resultados más precisos utilizando las redes neuronales. Se concluye con éxito el propósito del trabajo de predicción para su posible aplicación en elementos virtualizados del Cloud RAN para la optimización de sus recursos y asegurar sus prestaciones.

The goal of this paper is to present a study for network traffic prediction based on Deep Learnig techniques. With the predictions obtained it is pretended to optimize the virtualized elements of the Cloud RAN mobile access network architecture. Firstly, concepts related to the subject of study will be presented, such as virtualization, 5G and Cloud RAN architecture. They can be seen in detail, as they are part of the context of this study on data prediction. In order to reach this data prediction target, we also be presented tools used in the development of predictive models. We talk about Python, Pandas, Numpy, Matplotlib and Tensorflow. The last one, will allow to develop the models based on Deep Learning. The main algorithms that can be implemented to make the predictions will be analyzed in detail. It will also be considered the preprocessing of the data that can be implemented in order to make those predictions. We will introduce training, validation and test sets and concepts such as underfitting and overrfitting. The results obtained with the various methods of predicted data implemented will be shown. We will see how we get more accurate results using neural networks. The purpose of this prediction work is successfully concluded for its possible application on virtualized elements of the Cloud RAN to optimize its resources and ensure its capabilities.

Es pretén presentar en aquest treball un estudi per a la predicció de dades de trànsit de xarxa basat en tècniques de Deep Learnig. Amb les prediccions obtingudes es pretén optimitzar els elements virtualizados de l'arquitectura de xarxa d'accés mòbil Cloud RAN. En primer lloc, es presentaran conceptes relatius a fi d'estudi com la virtualització, 5G i l'arquitectura Cloud RAN. Es podran veure amb detall ja que formen part del context de la predicció de dades del treball. Per a aconseguir l'objectiu de predicció de dades, es presentaran també les eines que s'utilitzaran en el desenvolupament dels models predictius. Parlem de les eines Python, Colles, Numpy, Matplotlib i Tensorflow. Aquesta última ens permetrà aplicar els models basats en Deep Learning. S'analitzaran amb detall els principals algorismes que es poden implementar per a realitzar les prediccions. També es contemplarà com hem d'acomodar les dades per al treball en aquest tipus de models. Introduirem els conjunts d'entrenament, validació i test i conceptes com underfitting i overrfitting. Es mostraran els resultats obtinguts amb diversos mètodes de predicció de dades implementades. Observarem com aconseguim obtenir resultats més precisos utilitzant les xarxes neuronals. Es conclou amb èxit el propòsit del treball de predicció per a la seva possible aplicació en elements virtualizados del Cloud RAN per a l'optimització dels seus recursos i assegurar les seves prestacions.