Uma Análise da Relação entre Vazão e Justiça na Divisão de Recursos em Escalonadores de Redes 5G

• Júlio Henrique da Silva Lopes IFRO
• André Luiz N. Pires UFAC
• Diego Canizio Lopes IFAC

DOI: https://doi.org/10.5753/semish.2026.21134

Resumo

A alocação de recursos em redes 5G envolve o desafio de equilibrar eficiência do sistema, medida pela vazão agregada, e justiça na distribuição de recursos entre os usuários frequentemente avaliada pelo Índice de Jain. Este trabalho apresenta uma análise da relação entre essas métricas em escalonadores de redes 5G, considerando os algoritmos clássicos Round Robin (RR), Maximum Rate (MR), Proportional Fair (PF) e um escalonador hibrido chamado de Fair Max Rate (FMR). A partir da construção da Fronteira de Pareto no plano vazão versus justiça, foram identificadas soluções não dominadas e analisadas as regiões de equilíbrio entre vazão e justiça. Os resultados evidenciam que não é possível maximizar simultaneamente ambas as métricas, confirmando o conflito estrutural entre desempenho e distribuição justa de recursos. O PF destacou-se por ocupar maior número de pontos na região eficiente, enquanto o FMR apresentou equilíbrio consistente entre vazão e justiça. Adicionalmente, foi aplicada a média geométrica das métricas normalizadas para seleção de um ponto representativo de equilíbrio. Com base nessa análise, propõe-se uma política de justiça orientada pela Fronteira de Pareto, capaz de definir limites mínimos de justiça sem comprometer significativamente o desempenho global da rede.

Referências

3GPP (2019). Technical Specification Group Radio Access Network; NR; Physical Channels and Modulation TS 38.211 (Release 15). Technical Specification TS 38.211 V15.5.0, 3GPP.

Chataut, R. and Akl, R. (2020). Massive mimo systems for 5g and beyond networks—overview, recent trends, challenges, and future research direction. Sensors, 20(10):2753.

Deb, K. (2011). Multi-objective optimization using evolutionary algorithms: An introduction. KanGAL Report 2011003, Indian Institute of Technology Kanpur, Kanpur, India. Publicado originalmente como relatório técnico e posteriormente como capítulo de livro na Springer.

Guo, C., Sheng, M., Wang, X., and Zhang, Y. (2014). Throughput maximization with short-term and long-term jain’s index constraints in downlink ofdma systems. IEEE transactions on communications, 62(5):1503–1517.

Lopes, D. C., Pires, A. L. N., Bastos, I. V., and Moraes, I. M. (2025). Fair max rate: Um escalonador de recursos baseado em aprendizado por reforço para redes 5g. In Anais do XLIII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos (SBRC 2025), pages 1043–1056, Porto Alegre, RS, Brasil. SBC.

Mamane, A., Fattah, M., Ghazi, M. E., Bekkali, M. E., Balboul, Y., and Mazer, S. (2022). Scheduling algorithms for 5g networks and beyond: Classification and survey. IEEE Access, 10:51643–51661.

Padmageetha, B. G., Naik, P. K., and Patil, M. (2024). Resource allocation in 5g networks - machine learning approach. J. Electrical Systems, 20(3):4165–4179.

Sediq, A. B., Gohary, R. H., Schoenen, R., and Yanikomeroglu, H. (2013). Optimal tradeoff between sum-rate efficiency and jain’s fairness index in resource allocation. IEEE Transactions on Wireless Communications, 12(7):3496–3509.