Resumo Técnico: SCAR – Compressão de Espaço de Estados para Gerenciamento de Redes de Serviços Veiculares Baseado em IA Escalável

1. Declaração do Problema

A proliferação de serviços veiculares intensivos em dados e sensíveis à latência (ex: jogos em nuvem, RA, streaming HD) cria desafios significativos para o gerenciamento de rede baseado em IA. Veículos conectados geram volumes massivos de informações heterogêneas e detalhadas do estado da rede, especificamente Indicadores de Qualidade de Canal (CQIs). Os mecanismos de gerenciamento tradicionais têm dificuldade em escalar ao processar esses relatórios de CQI brutos e de alta dimensionalidade em tempo real devido a:

• Sobrecarga Computacional: O processamento de vetores de CQI não comprimidos aumenta a carga do plano de controle e limita a responsividade.
• Problemas de Escalabilidade: Agentes de Aprendizado por Reforço (RL) enfrentam dificuldades para escalar em cenários de tempo real devido à alta dimensionalidade dos espaços de estado brutos e ao custo computacional de treinamento.
• Variabilidade Dinâmica: Ambientes veiculares exibem flutuações rápidas de estado devido à mobilidade, tornando ineficazes heurísticas estáticas e a lógica de controle centralizada.
• Restrições de Equidade (Fairness): Garantir a equidade de nível de serviço (conforme definido pelas diretrizes da NGMN) enquanto se maximiza o throughput é difícil quando o controlador opera sobre dados brutos e flutuantes.

2. Metodologia: O Framework SCAR

Os autores propõem o SCAR (State-Space Compression for AI-Based Network Management), um framework assistido por borda projetado para abstrair estados de rede de alta dimensionalidade em representações compactas e informativas. O SCAR integra três componentes principais:

A. Pipeline de Compressão de CQI em Dois Estágios

O SCAR transforma relatórios de CQI brutos em vetores de estado de dimensão fixa através de um pipeline de aprendizado de máquina de dois estágios executado na borda da rede:

1. Pré-processamento: Vetores de CQI são convertidos de formatos dependentes de largura de banda para histogramas normalizados. Os valores de CQI mais significativos (top-$M$) são selecionados, e os valores residuais são redistribuídos para preservar a normalização, criando um vetor independente de largura de banda.
2. Agrupamento Não Supervisionado (Offline): Um algoritmo K-means agrupa padrões de CQI semelhantes em clusters representativos. Para superar a sensibilidade do K-means à inicialização e aos ótimos locais, os autores utilizam o Simulated Annealing com Stochastic Tunneling (SAST), uma meta-heurística que alterna dinamicamente entre a seleção aleatória de centros e o agrupamento acelerado por KN-tree para explorar o espaço de soluções e encontrar centros de clusters globalmente ótimos.
3. Classificação Supervisionada (Online): Uma Rede de Função de Base Radial (RBFN) é treinada para classificar relatórios de CQI pré-processados nos clusters pré-computados em tempo real. A RBFN utiliza os centros de cluster derivados do processo de K-means otimizado pelo SAST.
4. Extração de Características Estatísticas: A saída da RBFN é um vetor de classificação. Para reduzir ainda mais a dimensionalidade para o controlador de RL, características descritivas são extraídas, incluindo o número de classes ativas, dispersão de classe e a distância até o vetor de suporte mais próximo.

B. Otimização SAST

O algoritmo SAST é aplicado a duas fases críticas:

• Agrupamento (Clustering): Otimiza a seleção de centros de cluster para minimizar a distorção (distância euclidiana entre pontos de dados e centroides).
• Treinamento de RBFN: Otimiza os pesos da rede para minimizar o erro de classificação. O SAST permite que o sistema escape de mínimos locais ao aceitar probabilisticamente soluções que não melhoram o resultado, baseando-se em um parâmetro de temperatura, equilibrando exploração e explotação.

C. Controlador de Gerenciamento Baseado em RL

As representações comprimidas de estado alimentam um controlador baseado em RL (avaliando algoritmos como Q-Learning, SARSA e CACLA). O objetivo do controlador é ajustar dinamicamente os parâmetros de equidade ($\alpha_t, \beta_t$) para maximizar a eficiência da rede enquanto satisfaz as restrições de equidade da NGMN. O espaço de estado inclui as características de CQI comprimidas, estatísticas de throughput do usuário e carga do sistema.

3. Principais Contribuições

O artigo descreve quatro contribuições primárias:

1. Agrupamento K-means Otimizado por SAST: Um método inovador para construir protótipos de estado de rede representativos a partir de conjuntos de dados de CQI de larga escala. Ele mitiga a sensibilidade à inicialização e a convergência para ótimos locais, melhorando a qualidade do agrupamento para o aprendizado subsequente.
2. Classificação de Estado Online de Baixa Latência: Integração de um classificador RBFN que permite o reconhecimento em tempo real de padrões de CQI com base em clusters pré-computados. Sua inferência leve suporta o gerenciamento assistido pela borda em ambientes altamente dinâmicos.
3. RL Consciente de Compressão para Gerenciamento de Rede: Um framework onde controladores de RL operam em espaços de estado reduzidos. Esta abordagem melhora a eficiência e a escalabilidade do aprendizado, alcançando uma melhoria de mais de 15% na equidade de nível de serviço em comparação com as bases não comprimidas.
4. Escalabilidade e Generalidade: O framework é projetado para ser agnóstico à tecnologia, capaz de integração com várias tecnologias de acesso e mecanismos de controle de recursos sem assumir esquemas específicos de acesso via rádio.

4. Resultados de Simulação

Os autores avaliaram o SCAR usando um simulador de sistema celular de 20 MHz com 19 células e 1.000 usuários movendo-se a 120 km/h. As principais descobertas incluem:

• Desempenho de Agrupamento: O método de agrupamento baseado em SAST alcançou a menor distorção em várias configurações ($M=3,4,5$ e $K=64$ a $512$) comparado ao K-means padrão, seleção aleatória e Simulated Annealing (SA). Reduziu a distorção de compressão de estado em aproximadamente 10% em relação aos métodos de base.
• Desempenho de Gerenciamento de RL:
  • O algoritmo CACLA2, quando combinado com o SCAR (especificamente a configuração $M=4, K=512$), alcançou o maior desempenho de equidade, mantendo o sistema na região de gerenciamento viável durante 97,76% dos Intervalos de Tempo de Transmissão (TTIs).
  • Comparado aos baselines de RL operando em informações de estado não comprimidas, o SCAR aumentou o tempo gasto em regiões de gerenciamento viáveis em 14% e reduziu o tempo de alocação de serviço injusta em 15%.
  • Métodos tradicionais como Proportional Fair (PF) e Maximizing Throughput (MT) mostraram taxas mais altas de injustiça ou excesso de equidade em comparação com a abordagem de RL aprimorada pelo SCAR.
• Complexidade: Embora o aumento do número de centros RBF ($K$) adicione custo computacional, o número de características de topo de CQI ($M$) tem impacto negligenciável na complexidade. O SCAR oferece um equilíbrio onde controladores baseados em RL superam os esquemas tradicionais em equidade, mantendo restrições de tempo de execução práticas.

5. Significância e Alegações

O artigo afirma que o SCAR aborda o gargalo crítico de escalabilidade no gerenciamento de redes veiculares baseado em IA. Ao desacoplar o gerenciamento baseado em aprendizado da dimensionalidade bruta do CQI, o framework permite:

• Controle de IA Escalável: Tornando viável o implante de controladores de RL em cenários veiculares de alta mobilidade e alta densidade, onde o processamento de estado bruto é computacionalmente proibitivo.
• Equidade Aprimorada: Garantindo que os objetivos de equidade de nível de serviço (diretrizes da NGMN) sejam atendidos de forma mais consistente do que com abordagens não comprimidas.
• Inteligência de Borda: Demonstrando que incorporar inteligência consciente de compressão na borda da rede é uma estratégia viável para gerenciar serviços veiculares dinâmicos e intensivos em dados sem exigir controle centralizado em tempo real.

Os autores concluem que o SCAR fornece uma solução robusta e agnóstica à tecnologia para a próxima geração de serviços veiculares, provando que a abstração do espaço de estados é essencial para o gerenciamento de redes assistido por IA em sistemas dinâmicos.