Resumo Técnico: Métodos de Predição de KPI Baseados em IA para Redes 6G Futuras: Um Levantamento

1. Definição do Problema e Motivação

A evolução do 5G para o 5G-Advanced e a visão do 6G exigem um desempenho de rede sem precedentes, requerendo o suporte de aplicações emergentes, como direção autônoma, automação industrial e comunicações imersivas. A gestão de rede reativa tradicional é insuficiente para esses requisitos rigorosos. Consequentemente, há uma mudança crítica em direção a arquiteturas nativas de IA (AI-native), onde a inteligência é incorporada intrinsecamente em todas as camadas da rede (RAN, core e orquestração).

O problema central abordado é a necessidade de abordagens preditivas e baseadas em dados para prever Indicadores Chave de Desempenho (KPIs). Diferente do troubleshooting reativo, as redes nativas de IA requerem uma "camada de percepção preditiva" para perceber o estado, antecipar condições futuras e adaptar o comportamento proativamente. Este levantamento foca na predição de KPI baseada em dados, definida como a inferência de um valor de KPI desconhecido ($y_{t+\tau}$) a partir de um conjunto de informações disponíveis ($I_t^k$) composto por medições históricas, contadores e variáveis contextuais. O problema abrange tanto a estimação (inferir o estado atual, $\tau=0$) quanto a previsão/forecasting (prever estados futuros, $\tau>0$).

A motivação para este levantamento surge da fragmentação da literatura existente. Trabalhos anteriores são frequentemente de escopo estreito (focando em um único KPI como vazão ou cobertura) ou orientados à arquitetura (tratando a predição como um subcomponente de discussões sistêmicas mais amplas), carecendo de uma taxonomia unificada para comparar metodologias entre diferentes famílias de KPIs, fontes de dados e horizontes de predição.

2. Metodologia e Taxonomia

Os autores realizaram uma revisão sistemática de 151 estudos de predição de KPI baseados em dados publicados entre janeiro de 2000 e o início de janeiro de 2026. A metodologia baseia-se em uma taxonomia multidimensional introduzida para classificar e comparar essas abordagens ao longo de quatro dimensões ortogonais:

1. Tipo de KPI: O levantamento categoriza os alvos em quatro famílias:

   • Capacidade: Vazão (throughput), boa vazão (goodput) e eficiência espectral em níveis de usuário, célula ou fatia (slice).
   • Latência: Atraso fim-a-fim, tempo de ida e volta (RTT) e jitter, decompostos em componentes de RAN, transporte e core.
   • Cobertura/Qualidade de Link: Métricas de força e qualidade de sinal (Perda de Percurso, RSRP, RSSI, SINR, CQI) e mapas de cobertura espacial.
   • Confiabilidade: Taxas de erro (BER, BLER, PER) e perda de pacotes, frequentemente definidas como entrega bem-sucedida dentro de uma restrição de latência.

2. Fonte de Dados: Classifica as entradas como traços de medição reais, dados simulados/emulados, dados sintéticos ou combinações híbridas.

3. Atributos de Predição:

   • Pilha de Protocolos (Protocol Stack): A camada na qual o KPI é predito (PHY, MAC, RLC, PDCP, IP, Aplicação).
   • Horizonte: Curto prazo (sub-minuto) vs. Longo prazo/Estático (horas a semanas).
   • Formulação de Saída: Estimativas pontuais vs. saídas probabilísticas (distribuições, intervalos).

4. Família de Modelos: Abrange desde modelos estatísticos clássicos (ARIMA, Regressão Linear) e aprendizado não supervisionado (clustering, detecção de anomalias) até aprendizado supervisionado (SVM, Random Forests), métodos de ensemble (XGBoost, LightGBM) e arquiteturas de aprendizado profundo (CNNs para dados espaciais, RNNs/LSTMs/Transformers para sequências temporais, GNNs para topologia).

O levantamento analisa o estado da arte mapeando esses estudos na taxonomia, fornecendo um panorama quantitativo do campo e identificando vieses metodológicos e lacunas.

3. Principais Contribuições

O artigo apresenta cinco contribuições primárias:

• Taxonomia Multidimensional Unificada: Introduz um framework estruturado que permite a comparação consistente entre estudos, revelando que levantamentos anteriores carecem de uma visão holística das dependências de KPIs e dos trade-offs metodológicos.
• Análise Quantitativa do Panorama: Ao anotar 151 estudos, os autores fornecem a primeira distribuição empírica do campo através de famílias de KPIs, tipos de modelos, fontes de dados e horizontes de predição.
• Análise Comparativa Centrada em KPI: O levantamento oferece uma revisão sistemática das abordagens de predição para cada uma das quatro famílias de KPIs, detalhando a evolução dos modelos estatísticos clássicos para o aprendizado profundo e aprendizado por reforço, e mapeando métodos para domínios de rede específicos (RAN, Core, Edge).
• Análise de Sistema e Implantação: Examina a integração prática de preditores dentro dos frameworks 3GPP (MnS, NWDAF) e O-RAN (RIC, xApps), abordando coleta de dados, pipelines de treinamento e restrições operacionais como granularidade de telemetria e limites de recursos de borda.
• Identificação de Desafios Abertos e Roadmap: Os autores delineiam limitações críticas, incluindo reprodutibilidade, inconsistência de métricas de avaliação, lacunas de integração offline-para-live, trade-offs de latência de inferência e a necessidade de preditores explicáveis e que preservem a privacidade.

4. Resultados e Descobertas

O levantamento revela várias tendências e descobertas fundamentais através das famílias de KPIs:

• Predição de Capacidade: Embora modelos clássicos (ARIMA, Regressão Linear) sirvam como baselines, métodos de ensemble (Random Forests, XGBoost) são o padrão da indústria para previsões operacionais devido à robustez e escalabilidade. O aprendizado profundo (LSTM, GRU, Transformers) é cada vez mais utilizado para capturar dinâmicas espaço-temporais complexas, embora a generalização entre bandas de espectro e configurações de hardware permaneça um desafio.
• Predição de Latência: Há uma mudança em direção à modelagem de cauda e distributiva (ex: redes de densidade de mistura, regressão quantílica) para lidar com picos de latência raros, mas críticos, particularmente para URLLC. Modelos de sequência (LSTM, Transformers) são dominantes para capturar dependências temporais, enquanto Redes Neurais de Grafos (GNNs) estão emergindo para inferência em escala de rede envolvendo roteamento e topologia.
• Predição de Cobertura: O campo evoluiu de modelos estatísticos de perda de percurso para aprendizado profundo multimodal. CNNs e redes de segmentação semântica (ex: U-Net) são usadas para reconstruir Mapas de Ambiente de Rádio (REMs) diretamente de imagens de satélite e mapas 3D. Frameworks Bayesianos são cada vez mais adotados para decompor a incerteza (aleatória vs. epistêmica) para planejamento consciente de riscos.
• Predição de Confiabilidade: Preditores de taxas de erro (BLER, PER) estão migrando de fórmulas analíticas para abordagens baseadas em aprendizado que combinam priors físicos com reconhecimento de padrões baseados em dados. Modelos de sequência são eficazes para detectar dinâmicas de perda intermitentes (bursty), e o Aprendizado por Reforço (RL) está sendo integrado para alocação proativa de recursos para manter alvos de confiabilidade.

Observações Sistêmicas:

• Disponibilidade de Dados: Estudos baseados em medições dominam a pesquisa de capacidade e latência, enquanto estudos de confiabilidade dependem fortemente de simulação devido à escassez de dados de falha rotulados.
• Reprodutibilidade: Apenas ~8% dos estudos fornecem código público, e ~20% fornecem dados, dificultando a comparação direta e o progresso cumulativo.
• Métricas de Avaliação: Há uma falta de padronização; estudos de cobertura/capacidade frequentemente usam métricas de erro pontual (RMSE, MAE), enquanto estudos de latência/confiabilidade exigem métricas sensíveis à cauda (p95/p99, NLL) que nem sempre são reportadas.

5. Significância e Alegações

O artigo posiciona-se como a primeira revisão abrangente e sistemática de métodos de predição de KPI baseados em dados especificamente adaptados para futuras redes 6G. Sua significância reside em:

1. Preencher a Lacuna: Conecta algoritmos de predição teóricos com as realidades de implantação prática nos ecossistemas 3GPP e O-RAN, destacando a lacuna de integração "offline-para-live".
2. Roadmap para Automação Nativa de IA: Argumenta que a predição precisa de KPI é o habilitador fundamental para operações de rede orientadas a intenção e zero-touch. Sem predição confiável, os loops de controle autônomos não podem funcionar de forma segura ou eficiente.
3. Definição de Direções Futuras: O levantamento chama explicitamente para uma mudança de melhorias isoladas de precisão para sistemas robustos, conscientes de incerteza e sustentáveis. Enfatiza a necessidade de:
   • Benchmarks padronizados e conjuntos de dados abertos para melhorar a reprodutibilidade.
   • Predições probabilísticas e explicáveis para apoiar a tomada de decisão consciente de riscos.
   • Gestão sustentável do ciclo de vida dos dados para lidar com o concept drift (deriva de conceito) e o envelhecimento do modelo em ambientes 6G dinâmicos.

Os autores concluem que, embora a predição de KPI tenha amadurecido significamente, a próxima fronteira não reside em ganhos incrementais de precisão, mas em garantir a robustez de implantação, a generalização entre domínios e a integração segura em sistemas de controle de loop fechado.