K-means NS-3: Otimização de Posicionamento de Antenas 5G

📋 Descrição

Este projeto implementa uma solução de otimização para posicionamento de antenas em redes 5G utilizando o algoritmo K-means. O sistema combina simulações NS-3 (Network Simulator 3) com análise de dados em Python para otimizar a localização de estações base (eNodeB/gNodeB) baseada na distribuição de usuários e métricas de qualidade de sinal.

🎯 Objetivo

O projeto visa melhorar a eficiência de redes 5G através da otimização do posicionamento de antenas, considerando:

• Distribuição espacial dos usuários
• Métricas de qualidade de sinal (CQI, SINR)
• Path loss em diferentes frequências (3.5 GHz, 28 GHz, 100 GHz)
• Minimização da distância entre usuários e antenas

🏗️ Estrutura do Projeto

K-means_Ns-3/
├── README.md                 # Este arquivo
├── Code/                     # Código NS-3
│   └── packet_5G.cc         # Simulação principal 5G/NR
├── ml-python/               # Algoritmos de Machine Learning
│   ├── K-Means-Optmize.py   # Otimização com K-means
│   └── K-means-Positions_Manual.py
├── analise/                 # Scripts de análise de dados
│   ├── Rx-Analise.py        # Análise de pacotes recebidos
│   ├── boxplot_waypoints.py # Visualização waypoints
│   ├── Dlctrlsinr.py        # Análise SINR downlink
│   ├── DlDataSinr.py        # Dados SINR downlink
│   ├── dlpathloss.py        # Path loss downlink
│   └── waypoints.py         # Análise de pontos de rota
├── data/                    # Dados de simulação
│   ├── csv/                 # Dados convertidos para CSV
│   └── *.txt               # Arquivos de trace NS-3
├── Simulações/             # Resultados de diferentes cenários
│   ├── 3.5GHZ/            # Simulações em 3.5 GHz
│   ├── 28GHZ/             # Simulações em 28 GHz
│   ├── 100GHZ/            # Simulações em 100 GHz
│   └── ...                # Outros cenários
├── tratamento/             # Utilitários de processamento
│   └── txt-csv.py         # Conversão TXT para CSV
└── docs/                   # Documentação
    └── K-means.md         # Documentação específica

🚀 Funcionalidades

1. Simulação NS-3

• Arquivo: Code/packet_5G.cc
• Simulação de rede 5G/NR com múltiplas antenas e usuários
• Coleta de métricas: CQI, SINR, Path Loss, posições
• Suporte a diferentes frequências (3.5, 28, 100 GHz)

2. Otimização K-means

• Arquivo: ml-python/K-Means-Optmize.py
• Clustering de usuários para otimização de posicionamento
• Algoritmo Hungarian para pareamento otimizado
• Visualização dos resultados de otimização

3. Análise de Dados

• Arquivos: analise/*.py
• Análise de qualidade de sinal (CQI/SINR)
• Visualizações comparativas entre frequências
• Gráficos de pizza para categorização de qualidade
• Análise temporal de métricas

4. Processamento de Dados

• Arquivo: tratamento/txt-csv.py
• Conversão automática de traces NS-3 para CSV
• Interface gráfica para seleção de arquivos

📊 Métricas Analisadas

Channel Quality Indicator (CQI)

• Ótimo: CQI > 20
• Bom: CQI 15-20
• Médio: CQI 10-15
• Ruim: CQI 0-10
• Péssimo: CQI < 0

Signal-to-Interference-plus-Noise Ratio (SINR)

• Análise temporal do SINR por usuário
• Comparação entre diferentes células

Path Loss

• Análise em múltiplas frequências
• Normalização e comparação

🛠️ Pré-requisitos

Software Necessário

• NS-3: Network Simulator 3 (versão compatível com NR)
• Python 3.7+
• Bibliotecas Python:

  pandas
  numpy
  matplotlib
  scikit-learn
  scipy
  tkinter
  

Hardware Recomendado

• RAM: 8GB+ (para simulações complexas)
• CPU: Multi-core (simulações paralelas)
• Espaço em disco: 2GB+ (dados de trace)

📦 Instalação

1. Clone o repositório

git clone https://github.com/seu-usuario/K-means_Ns-3.git
cd K-means_Ns-3

2. Instale as dependências Python

pip install pandas numpy matplotlib scikit-learn scipy

3. Configure o NS-3

• Instale o NS-3 com módulo NR
• Compile o código Code/packet_5G.cc

🚀 Como Usar

1. Executar Simulação NS-3

cd Code/
# Compile e execute a simulação
./Ns3 --run scratch/packet_5G

2. Converter Dados para CSV

python tratamento/txt-csv.py

3. Otimizar Posicionamento

python ml-python/K-Means-Optmize.py

4. Analisar Resultados

python analise/Rx-Analise.py

📈 Exemplos de Resultados

Otimização de Antenas

O algoritmo K-means reposiciona as antenas para minimizar a distância total aos usuários:

Antes da Otimização:

• Antena 1: [0, 50]
• Antena 2: [0, 500]
• Antena 3: [500, 500]
• Antena 4: [500, 50]

Após Otimização:

• Posições otimizadas baseadas na distribuição real dos usuários

Análise de Qualidade

• Gráficos comparativos de CQI por frequência
• Distribuição de qualidade por antena
• Evolução temporal das métricas

🔧 Configuração

Parâmetros de Simulação

No arquivo packet_5G.cc, você pode configurar:

• Número de usuários
• Número de antenas
• Frequências de operação
• Modelos de mobilidade
• Parâmetros de canal

Parâmetros K-means

No arquivo K-Means-Optmize.py:

• n_users: Número de usuários
• n_antennas: Número de antenas
• random_seed: Semente para reprodutibilidade

📊 Estrutura de Dados

Arquivos de Trace NS-3

• RxPacketTrace.txt: Pacotes recebidos
• DlCtrlSinr.txt: SINR de controle downlink
• DlPathlossTrace.txt: Path loss downlink
• waypoint_positions.txt: Posições dos waypoints

Dados CSV Processados

• Estrutura padronizada para análise
• Colunas: Time, cellId, rnti, CQI, SINR, etc.

🤝 Contribuição

1. Fork o projeto
2. Crie uma branch para sua feature (git checkout -b feature/AmazingFeature)
3. Commit suas mudanças (git commit -m 'Add some AmazingFeature')
4. Push para a branch (git push origin feature/AmazingFeature)
5. Abra um Pull Request

📝 Licença

Este projeto está sob a licença MIT. Veja o arquivo LICENSE para mais detalhes.

👥 Autores

• Marcos Hiarley - Desenvolvimento principal - GitHub
• Robert Gabriel - Análise de Dados e ML - GitHub

🙏 Agradecimentos

• Comunidade NS-3
• Desenvolvedores do módulo NR para NS-3
• Bibliotecas Python utilizadas

📞 Suporte

Para dúvidas ou problemas:

• Abra uma Issue
• Entre em contato via email

🔄 Versões

• v1.0: Implementação inicial com K-means básico
• v2.0: Adição de análise multi-frequência
• v3.0: Interface de conversão TXT-CSV

---

Este projeto faz parte de pesquisas em otimização de redes 5G utilizando técnicas de Machine Learning.

📚 Projetos de Pesquisa Relacionados

2024 - Atual: Um Estudo Sobre as Aplicações e Desafios de Redes Aéreas em Redes da Sexta Geração (6G)

Coordenador: José Jailton Henrique Ferreira Junior
Situação: Em andamento Escritores: Marcos Hiarley Lima Silva, Robert Gabriel
Descrição: Este projeto realiza um estudo aprofundado sobre o uso de plataformas aéreas, como drones e balões estratosféricos, em redes da sexta geração (6G). A pesquisa analisa aplicações potenciais, como cobertura em áreas remotas e suporte a eventos temporários, além dos principais desafios relacionados à mobilidade, interferência, consumo energético e integração com redes terrestres, contribuindo para o avanço da conectividade em cenários dinâmicos e de difícil acesso.

2023 - 2024: Transmissão Sem Fio em Altas Frequências para Rede 6G

Coordenador: José Jailton Henrique Ferreira Junior
Situação: Concluído Escritores: Marcos Hiarley Lima Silva, Robert Gabriel
Descrição: O projeto estuda a viabilidade da transmissão sem fio em altas frequências, como ondas terahertz (THz), para redes móveis de sexta geração (6G). A pesquisa foca na análise do desempenho em termos de taxa de dados, latência e confiabilidade, além de propor soluções para os desafios de propagação, direcionamento de feixes e consumo energético, visando suportar aplicações avançadas como holografia, realidade estendida e comunicação em tempo real.

2022 - 2023: Ondas Milimétricas de Redes 5G para Região Amazônica

Coordenador: José Jailton Henrique Ferreira Junior
Situação: Concluído Escritores: Marcos Hiarley Lima Silva, Robert Gabriel
Descrição: O projeto investiga o uso de ondas milimétricas (mmWave) em redes 5G como alternativa para ampliar o acesso à conectividade na Região Amazônica. A pesquisa considera os desafios ambientais, logísticos e de infraestrutura da região, avaliando a viabilidade técnica, o alcance do sinal, a capacidade de transmissão e os mecanismos de mitigação de interferência para fornecer internet de alta velocidade em áreas remotas.