Programa del congreso

This paper examines the non-idealities inherent in commercially available beamformers and explores their implications in the calibration procedures for phased array antennas. The non-ideal nature of the beamformer is meticulously modeled and assessed through extensive S-Parameter measurements to discern its impact on analyzed excitation retrieval methods. The Rotating-element Electric-field Vector (REV) and Control Circuit Encoding (CCE) methods are simulated using a synthetic array with spherical wave expansion driven by output coefficients measured from the beamformer. Simulations are executed to compare the REV method with a Selective-REV variant, designed to enhance coefficient prediction accuracy by leveraging a priori knowledge of phase-shifter amplitude deviations. Additionally, amplitude, phase, and complex CCE encodings are employed to determine the encoding technique that best accommodates beamformer non-idealities. Finally, anechoic chamber measurements assess the pattern prediction capabilities of the calibration methods explored in the simulation.

En los sistemas 5G y posteriores, Network Slicing (NS) permite el despliegue de múltiples redes lógicas personalizadas para sectores verticales específicos sobre una infraestructura física común. En la red de acceso radio, los operadores móviles necesitan modelos para predecir el rendimiento de los segmentos de manera proactiva, anticipándose a posibles degradaciones en la red.

Este trabajo aborda la previsión del rendimiento de los segmentos a corto plazo mediante el aprendizaje supervisado haciendo uso del algoritmo de predicción Time Series Mixer-Only.

En concreto. se evalúan cuatro estrategias de entrenamiento basándose en series temporales realistas de rendimiento por segmento, series temporales sintéticas o

una combinación de ambas.

La evaluación del rendimiento se lleva a cabo con un conjunto de datos realista generado mediante simulación en una red con 4 segmentos que ofrecen servicios con diferentes modelos de tráfico y requisitos de rendimiento a usuarios terrestres y aéreos.

Los resultados muestran que el uso del aprendizaje por transferencia para combinar

datos sintéticos y de rendimiento del segmento correspondiente

es un enfoque prometedor, con un mejor rendimiento que el método Random

Walk para un horizonte temporal de 30 días en todos los segmentos.

In 5G networks, densification of network elements is a key point for a fast and efficient deployment of this technology. This technique consists of adding small cells in areas where traditional cells have coverage problems or where there is a high flow of users, affecting their capacity. Therefore, the coordination and relationship between these cells during deployments must be managed efficiently. With the current advances in artificial intelligence for network management and automation tasks, this task can be automated through supervised learning. This paper proposes an automatic method to estimate neighborhood relationships between cells during deployments using deep neural networks. The evaluation of the model has been performed using a dataset extracted from a real LTE network. The results show that the proposed method promises to improve upon current neighborhood relationship algorithms.

Se prevé que las redes de sexta generación (6G) soporte una amplia gama de tecnologías por lo cual es necesario que estas redes ofrezcan servicios de alta calidad, con lo cual el

concepto de confianza desempeña un rol fundamental para cumplir con los retos de las redes 6G. En este artículo se realiza una revisión de los conceptos de confianza y las metodologías y técnicas usadas para garantizar un ecosistema 6G seguro y confiable, para esto se hace una categorización de las técnicas de evaluación de la confianza basada en el campo de estudio que aborda cada técnica. Por último, se presenta un análisis de las

diferentes técnicas en base a los enfoques definidos en cada categoría, en donde se presentan los retos técnicos, ventajas y desventajas que supone el uso de cada una de las técnicas revisada.

Este estudio profundiza en el ámbito de la gestión de la confianza en el contexto de las redes 6G, centrándose en la utilización de algoritmos de lógica difusa. Aprovechando metodologías avanzadas y dando prioridad a la confianza como elemento fundamental, El objetivo de este estudio es investigar formas de avanzar hacia un ecosistema 6G seguro y eficiente que proporcione servicios de alta calidad en diversas aplicaciones y entornos. A través de un análisis exhaustivo de los conceptos de confianza y de técnicas de evaluación que utilizan la lógica difusa en conjunto con otras tecnologías innovadoras como la inteligencia artificial y el blockchain, este estudio arroja luz sobre los beneficios potenciales y las implicaciones de integrar estas soluciones en escenarios del mundo real. Palabra clave: gestión de la confianza, difusa, 6G