💻 computer science

Machine Learning for PRACH Interference Detection in 5G NR Networks

Este artículo evalúa múltiples modelos de aprendizaje automático para la detección de interferencias en el PRACH de 5G NR, revelando que si bien los codificadores Transformer ofrecen una alta precisión, las CNN y XGBoost proporcionan el equilibrio óptimo entre alta exactitud y eficiencia computacional, convirtiéndolos en los candidatos más adecuados para la gestión de interferencias en tiempo real.

Autores originales: Arsène KABORE, Désiré GUEL, Tounwendyam Fréderic OUEDRAOGO

Publicado 2026-09-21

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Arsène KABORE, Désiré GUEL, Tounwendyam Fréderic OUEDRAOGO

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el paisaje invisible de la comunicación inalámbrica moderna, miles de millones de dispositivos se esfuerzan constantemente por conectarse a Internet a través de una compleja red de torres de telefonía. Para que un teléfono inteligente comience esta conversación, primero debe enviar una señal breve y específica a la torre para anunciar su presencia y solicitar una conexión. Este saludo inicial ocurre en una vía dedicada conocida como el canal físico de acceso aleatorio (PRACH). Sin embargo, en áreas congestionadas donde muchos dispositivos intentan hablar al mismo tiempo, estas señales pueden colisionar, creando una mezcla caótica de interferencias que ahoga el mensaje original. Cuando esto sucede, la conexión falla, lo que provoca llamadas caídas o datos lentos. Para mantener las redes funcionando sin problemas, los ingenieros necesitan una forma de reconocer instantáneamente estas señales incluso cuando están enterradas bajo el ruido y las transmisiones competidoras.

Investigadores de universidades de Burkina Faso han abordado este desafío probando una variedad de herramientas de inteligencia artificial para ver cuál es la mejor para detectar estas señales ocultas. Se centraron en el estándar 5G New Radio, la última generación de tecnología móvil, y simularon un entorno realista donde las señales se ven distorsionadas por el ruido y la interferencia de celdas vecinas. En lugar de confiar en fórmulas matemáticas tradicionales que tienen dificultades en condiciones tan desordenadas, el equipo entrenó varios tipos diferentes de modelos de aprendizaje automático para que actuaran como oyentes digitales. Estos modelos fueron alimentados con miles de muestras de señales simuladas, que iban desde transmisiones claras hasta aquellas fuertemente corrompidas por la interferencia, y se les pidió identificar si una señal válida estaba presente y, de ser así, de qué tipo era.

El estudio comparó cinco enfoques distintos para este problema. Dos de los modelos se basan en el aprendizaje profundo (deep learning), un método donde las computadoras aprenden procesando datos a través de capas de neuronas artificiales. Uno de estos, una red neuronal convolucional, está diseñada para detectar patrones en los datos de forma muy similar a como un humano reconoce formas en una imagen. Otro, llamado red de memoria a largo plazo de corto plazo (LSTM), está construida para comprender secuencias de eventos a lo largo del tiempo. Un tercer modelo de aprendizaje profundo, conocido como codificador de transformador (transformer encoder), utiliza un mecanismo que le permite ponderar diferentes partes de la señal simultáneamente para encontrar conexiones que podrían estar alejadas entre sí. Los investigadores también probaron un modelo convolucional unidimensional, que es una versión simplificada de la red de detección de patrones, y un algoritmo completamente diferente llamado XGBoost, que toma decisiones construyendo una serie de reglas simples, similar a cómo una persona podría clasificar artículos en categorías basadas en una lista de características.

Tras someter estos modelos a rigurosas pruebas, los resultados revelaron un claro compromiso entre qué tan bien se desempeña un modelo y cuánta potencia de cómputo requiere. Los modelos de aprendizaje profundo que procesan secuencias en el tiempo, específicamente la red de memoria a largo plazo de corto plazo y el codificador de transformador, demostraron ser muy precisos para evitar falsas alarmas. Sin embargo, traían un alto costo: tardaban un tiempo extremadamente largo en aprender de los datos, requiriendo más de 1,900 segundos de tiempo de entrenamiento, y eran lentos para tomar decisiones cuando se utilizaban realmente. En contraste, la red neuronal convolucional de detección de patrones y el modelo basado en reglas XGBoost lograron el mejor equilibrio general. Ambos modelos identificaron correctamente las señales aproximadamente el 89.6 por ciento de las veces, una puntuación que representa la mayor tasa de éxito del estudio.

La diferencia más sorprendente surgió en la velocidad de operación. El modelo XGBoost fue, por mucho, el más eficiente, completando su entrenamiento en solo 19.53 segundos y tomando una decisión sobre una nueva señal en solo 0.06 segundos. Esta velocidad lo convierte en un candidato ideal para aplicaciones en tiempo real donde los retrasos son inaceptables. La red neuronal convolucional también fue un fuerte contendiente, tardando 282.73 segundos en entrenar y 2.60 segundos en realizar una predicción, lo cual es lo suficientemente rápido para muchas tareas prácticas de gestión de red. Si bien el modelo de transformador mostró la mayor precisión, lo que significa que rara vez cometía errores cuando hablaba, omitió un número significativo de señales reales, lo que lo hacía demasiado conservador para un sistema que necesita capturar cada intento de conexión.

Los investigadores concluyeron que, para el futuro inmediato de las redes 5G, la estrategia más efectiva implica utilizar ya sea la red neuronal convolucional o el modelo XGBoost. Estos dos enfoques ofrecen la mejor combinación de alta precisión y costos de computación manejables, asegurando que las redes puedan detectar la interferencia rápidamente sin sobrecargar el hardware. Aunque los modelos de aprendizaje profundo más complejos mostraron potencial en áreas específicas, su alta demanda de tiempo y potencia de procesamiento limita actualmente su uso en sistemas que deben reaccionar instantáneamente. El estudio, que se basó en simulaciones por computadora de 35,000 muestras de señal, sugiere que, al elegir la herramienta adecuada para el trabajo, los operadores de red pueden mejorar significamente la confiabilidad de las conexiones móviles en entornos congestionados. El trabajo futuro deberá confirmar estos hallazgos en pruebas del mundo real, pero los resultados actuales proporcionan una hoja de ruta clara para construir redes inalámbricas más inteligentes y resilientes.

Resumen Técnico: Aprendizaje Automático para la Detección de Interferencias en PRACH en Redes 5G NR

1. Planteamiento del Problema

En las redes 5G New Radio (NR), el Canal de Acceso Aleatorio Físico (PRACH) es crítico para que el Equipo de Usuario (UE) establezca las conexiones iniciales con la estación base (gNB). Este proceso depende de la transmisión de secuencias de preámbulo, típicamente basadas en códigos de Zadoff–Chu (ZC). Sin embargo, la presencia de interferencia de celda —derivada del acceso simultáneo por parte de múltiples UEs (intra-celda) o de celdas vecinas (inter-celda)— degrada significamente la precisión de la detección de la señal PRACH.

Los métodos de detección tradicionales se basan en técnicas de correlación. Aunque son efectivos en condiciones ideales, estos métodos son susceptibles al ruido y a la interferencia, lo que a menudo conduce a falsas alarmas y detecciones omitidas. Además, establecer umbrales óptimos para estos detectores tradicionales es un desafío bajo condiciones de señal variables. El artículo aborda la necesidad de mecanismos de detección más robustos que puedan operar eficazmente en entornos realistas cargados de interferencia, cumpliendo al mismo tiempo con las estrictas restricciones de latencia y computación de los sistemas 5G.

2. Metodología

El estudio realiza una comparativa exhaustiva de cinco paradigmas distintos de aprendizaje automático aplicados a la detección de interferencias en PRACH. La metodología implica la generación de un conjunto de datos sintéticos que cumple con las especificaciones de la 3GPP y la evaluación de los modelos en términos de precisión, generalización y eficiencia computacional.

2.1 Generación de Datos y Modelado

Modelo de Señal: La señal recibida se modela como $y(t) = s(t) + n(t) + i(t)$ , que comprende la señal transmitida, ruido blanco gaussiano aditivo (AWGN) e interferencia.
Conjunto de Datos: Se generó un conjunto de datos sintéticos de 35,000 muestras por división (entrenamiento/validación/prueba) utilizando PRACH Formato 0 (longitud de secuencia ZC $N_{ZC}=839$ ).
Condiciones: Los datos cubren un amplio rango de Relaciones Señal-Ruido (SNR) desde -18 dB hasta -6 dB (solo ruido) y Relaciones Señal-Interferencia-más-Ruido (SINR) de hasta -30 dB. Los escenarios de interferencia incluyen tipos tanto intra-celda como inter-celda.
Modelado de Canal: Se utilizó el modelo de canal Extended Typical Urban (ETU) por defecto, con soporte para TDL-A y EVA.
Etiquetas: Las muestras fueron etiquetadas para tareas binarias (interferencia presente/ausente) y multiclase (ninguna/intra/inter).

2.2 Modelos Evaluados

El estudio compara cinco modelos, cada uno con sesgos inductivos distintos:

Redes Neuronales Convolucionales (CNN): Utilizando capas convolucionales 2D sobre mapas de correlación derivados del filtrado adaptado contra raíces ZC. La arquitectura incluye capas de convolución, ReLU, normalización por lotes (batch normalization) y capas de agrupación (pooling) para aprender patrones espaciales e invarianza temporal.
Long Short-Term Memory (LSTM): Una arquitectura recurrente (2 capas, 128 unidades, bidireccional) diseñada para capturar dependencias temporales de largo alcance en secuencias IQ crudas o flujos de correlación, mitigando el desvanecimiento de gradientes.
Codificador Transformer: Un modelo basado en auto-atención que utiliza atención de múltiples cabezales y codificaciones posicionales para agregar evidencia temporal no local en paralelo, con el objetivo de suprimir la interferencia estructurada.
XGBoost: Un ensamble de árboles de decisión potenciados por gradiente entrenado sobre características tabulares diseñadas. Las características incluyen relaciones de energía (dentro/fuera de la ventana), relaciones pico-lóbulo lateral (PSR), posiciones de pico y proxies de SINR.
Conv1D: Una red convolucional 1D ligera que opera directamente sobre flujos IQ crudos o secuencias de correlación, ofreciendo una alternativa de complejidad $O(T)$ a las CNN 2D.

2.3 Configuración Experimental

Hardware: Los experimentos se realizaron en una computadora portátil con un Intel Core i5-1335U, 16 GB de RAM e Intel Iris Xe Graphics.
Entrenamiento: Los modelos de aprendizaje profundo utilizaron el optimizador Adam con pérdida de entropía cruzada categórica y parada temprana (patience=5). XGBoost utilizó softmax multiclase con regularización.
Métricas: El rendimiento se evaluó utilizando Precisión (Accuracy), Precisión (Precision), Exhaustividad (Recall), F1-Score, Tiempo de Entrenamiento (Fit Time) y Tiempo de Inferencia (Prediction Time).

3. Resultados Clave

El estudio revela compromisos significativos entre el rendimiento de la detección y el costo computacional.

3.1 Rendimiento de la Detección

F1-Score: XGBoost logró el F1-score más alto de 89.66%, seguido de cerca por CNN con 89.64%. Conv1D se desempeñó competitivamente con un 89.27%.
Precisión (Accuracy): Todos los modelos mantuvieron una precisión por encima del 87%, con CNN liderando con 88.44% y XGBoost con 88.36%.
Precisión vs. Exhaustividad: El Codificador Transformer demostró la mayor precisión (93.46%) pero sufrió la menor exhaustividad (83.38%), lo que indica un comportamiento de detección conservador que omite preámbulos reales. Por el contrario, LSTM mostró una exhaustividad razonable pero se quedó atrás en el F1-score general.

3.2 Eficiencia Computacional

Tiempo de Entrenamiento: XGBoost fue el más eficiente, requiriendo solo 19.53 segundos. En contraste, los modelos de aprendizaje profundo requirieron mucho más tiempo: CNN (282.73 s), Conv1D (448.11 s) y, notablemente, LSTM (1903.94 s) y Transformer (1917.33 s).
Tiempo de Inferencia: XGBoost mantuvo su liderazgo con un tiempo de inferencia de 0.06 segundos. CNN (2.60 s) y Conv1D (1.96 s) ofrecieron una latencia moderada, mientras que LSTM y Transformer superaron los 10 segundos por muestra.

4. Contribuciones Clave

Benchmarking Exhaustivo: El artículo proporciona una comparación rigurosa de diversos paradigmas de ML (CNN, LSTM, Transformer, XGBoost, Conv1D) bajo un escenario de interferencia unificado y conforme a la 3GPP, un vacío identificado en la literatura previa.
Análisis de Compromiso Eficiencia-Precisión: Cuantifica explícitamente el compromiso entre las métricas de detección y los costos computacionales, destacando que, si bien los modelos de secuencias profundas (LSTM/Transformer) ofrecen ventajas teóricas en el modelado temporal, su sobrecarga computacional es prohibitiva para las aplicaciones 5G en tiempo real.
Ingeniería de Características vs. Aprendizaje Profundo: El estudio demuestra que las características bien diseñadas alimentadas a modelos basados en árboles (XGBoost) pueden superar o igualar a los modelos de aprendizaje profundo tanto en precisión como en velocidad, desafiando la suposición de que el aprendizaje profundo es siempre superior para la detección de señales.
Marco de Decisión Práctico: Los autores proponen un árbol de decisión para la selección de modelos basado en restricciones operativas (latencia, disponibilidad de datos y presupuesto computacional), guiando a los profesionales hacia XGBoost para el despliegue en tiempo real y hacia CNN/Conv1D para escenarios que requieren un aprendizaje de patrones robusto con latencia moderada.

5. Significancia y Reivindicaciones

El artículo afirma que CNN y XGBoost son los candidatos más adecuados para la gestión de interferencias en tiempo real en sistemas 5G NR.

XGBoost se posiciona como la opción óptima para escenarios que demandan una eficiencia computacional extrema y un reentrenamiento rápido, ofreciendo el mejor equilibrio entre velocidad y precisión.
CNN se destaca por sus capacidades de generalización robustas y su habilidad para aprender patrones espacio-temporales complejos directamente de los datos de la señal, lo que la convierte en una fuerte alternativa cuando la interpretabilidad de las características es menos crítica que el rendimiento bruto.

Los autores enfatizan que, aunque las arquitecturas Transformer y LSTM muestran promesa en contextos teóricos específicos (por ejemplo, alta precisión o modelado de dependencias de largo alcance), sus costos computacionales actuales (entrenamiento >1900s, inferencia >10s) las hacen menos viables para los requisitos de latencia sensible de la detección de PRACH en despliegues prácticos de 5G.

6. Limitaciones

El artículo reconoce modestamente algunas limitaciones:

Datos Sintéticos: Todos los resultados se basan en simulaciones utilizando conjuntos de datos sintéticos conformes a la 3GPP; aún no se ha realizado una validación de mundo real sobre el aire (OTA).
Especificidad del Hardware: El análisis computacional está limitado a un único entorno de hardware; la escalabilidad a través de diversos entornos requiere estudios adicionales.
Alcance: El análisis se centra en PRACH Formato 0 y escenarios de interferencia específicos; la generalizabilidad a otros formatos y entornos de múltiples celdas complejos necesita mayor investigación.
Rigor Estadístico: Aunque se incluye una línea base basada en la correlación, los autores señalan que realizar más pruebas de significancia estadística a través de múltiples semillas y realizaciones de canal podría fortalecer los hallazgos.