IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO.
12, DECEMBER 2016
Load Balance and User Association on HetNets
A. T. Hirata, E. C. Xavier and J. F. Borin
1
Abstract— Heterogeneous Networks (HetNets) come as a
clever approach to increase the capacity and the coverage of
cellular networks in which low power base stations can share the
load of high power ones. However, it also brought new
challenges. For instance, user association strategies used on
homogeneous networks are no longer so efficient. In this work,
the user association problem is modeled as an integer linear
programming (ILP) problem aiming to balance loads among
macro and small cells. A greedy heuristic based on it, called
LP_GREEDY, is presented. In addition, a distributed one,
PROB_MIN_LOAD, is also introduced. These heuristics produce
good solutions in terms of number of accepted users and load
balancing among base stations in comparison with the optimal
solution and with some strategies presented in the literature.
Keywords— HetNet, Load Balance, User Association.
I. INTRODUÇÃO
R EDES Heterogêneas (HetNets) foram propostas com o
intuito de aumentar a capacidade das redes Long Term
Evolution (LTE) introduzindo células menores como, por
exemplo, picocélulas e femtocélulas dentro da área de
cobertura das macrocélulas [1]. Essas células menores diferem
das macrocélulas principalmente em termos de capacidade,
área de cobertura, potência de transmissão, força do sinal e
custo de instalação [2].
Macrocélulas criadas por estações rádio-base chamadas
eNodeBs, são normalmente instaladas pelas operadoras de
modo a maximizar a área de cobertura. Células menores são
colocadas em áreas de alta densidade para ou compartilharem
a carga da macrocélula ou estender sua área de cobertura. A
instalação tanto de pico como de femtocélulas não é
necessariamente planejada [3].
Em redes homogêneas, equipamentos de usuários (UEs) se
conectam com a estação rádio-base (BS) que possui a maior
força de sinal com o intuito de prover uma melhor experiência
para o usuário. Em HetNets, entretanto, esta estratégia faria
com que todos os UEs se conectassem às macrocélulas
enquanto as pico e femtocélulas receberiam pouca ou mesmo
nenhuma carga. Consequentemente, é de suma importância
desenvolver estratégias para a associação de usuários que
promovam o balanceamento de carga em HetNets.
Considerando tanto a força do sinal quanto a carga da célula, a
política de associação é capaz de alocar UEs para BSs que
ofereçam a melhor taxa de transmissão.
A técnica conhecida como cell range expansion é parte dos
esforços de padronização da 3rd Generation Partnership
Project (3GPP) e utiliza um fator de propensão na associação
de UEs para estender artificialmente a área de cobertura de
1 Adicionalmente, são apresentados uma estratégia gulosa e
A. T. Hirata, Institute of Computing, University of Campinas, e-mail:
ahirata@lrc.ic.unicamp.br
E. C. Xavier, Institute of Computing, University of Campinas, e-mail:
eduardo@ic.unicamp.br
J. F. Borin, Institute of Computing, University of Campinas, e-mail:
juliana@ic.unicamp.br
4781
células menores incentivando, dessa forma, a migração de
usuários da macrocélula [1]. Siomina e Yuan [4] propuseram
um framework para otimização do balanceamento de carga em
HetNets LTE que atribui valores de propensão específicos
para cada célula com o objetivo de ajustar o alcance das
células. Contudo, escolher o fator de propensão ótimo não é
trivial [2] e esta técnica não consegue adaptar-se
dinamicamente à distribuição de tráfego entre diferentes
categorias de células em tempo real.
Fooladivanda, Daoud e Rosenberg [5] apresentam uma
formulação conjunta para os problemas de associação de
usuários, alocação de canal e gerenciamento de interferência
entre células como um problema NP-difícil não-linear e o
compararam com estratégias baseadas em Signal to
Interference plus Noise Ratio (SINR). Fooladivanda e
Rosenberg [6] também propuseram uma regra de associação
que combina alocação de usuários e de recursos obtendo
ganhos significativos de desempenho em termos de vazão. Ye
et al [2] apresentaram um algoritmo distribuído para associação
de células e alocação de recursos que é linear no número de
UEs e no número de BSs. O principal objetivo desses
trabalhos é a associação de usuários sendo o balanceamento de
carga analisado apenas como um efeito colateral.
Prasad, Arslan e Rangarajan [7] consideraram o problema
de maximizar a justiça proporcional (do inglês, proportional
fairness) em HetNets explorando células em estado dormente
em conjunto com o balanceamento de carga. Foram
apresentados um algoritmo guloso de baixa complexidade
para o subproblema de balanceamento de carga e um
algoritmo para o problema de otimização em conjunto e foram
obtidos resultados próximos ao ótimo. Entretanto, os
algoritmos exigem a presença de um controle central para
prover todas as informações necessárias.
Mishra, Rangineni, and Murthy [8] formularam o
problenma de otimização conjunta da associação de usuários e
da densidade de Almost Blank Subframes (ABS) como um
problema NP-Difícil. Uma versão relaxada do problema foi
reduzida ao problema de emparelhamento de peso mínimo e
foi resolvida utilizando o algoritmo Húngaro para uma dada
densidade ABS. Esta abordagem é usada iterativamente no
conjunto de densidades ABS candidatas para identificar a
densidade ótima e minimizar o número de usuários
bloqueados. Ela tenta aumentar o número de usuários
associados mas o balanceamento de carga não é considerado e
também necessita de um controle centralizado.
A principal contribuição deste trabalho é um modelo no
qual o balanceamento de carga é o objetivo e não uma
consequência de uma política de associação de usuários.
um algoritmo probabilístico distribuído que alcançam não só
um melhor balanceamento de carga como também uma maior
taxa de associação de usuários em relação a outras estratégias
propostas na literatura. Além disso, o algoritmo probabilístico
4782
é independente de um controle central, o que o torna
interessante para ser utilizado pela indústria.
O restante deste artigo está organizado da seguinte forma: a
Seção II descreve o modelo do sistema considerado, a Seção
III apresenta as soluções propostas para o problema de
associação de usuários e balanceamento de carga em HetNets,
a Seção IV descreve os cenários de simulação utilizados na
avaliação de desempenho das soluções propostas, a Seção V
discute os resultados obtidos e a Seção VI conclui o artigo.
II. MODELO DO SISTEMA
Considera-se uma rede celular de 2 níveis que possui um
conjunto de pico e macro BSs distribuídas como mostrado na
Fig. 1. Os valores nessa figura indicam a porcentagem do total
de UEs cujas posições são uniformemente distribuídas dentro
de cada célula.
Figura 1.Cenário de simulação [9].
A capacidade total de uma dada BS se dá pelo número de
blocos de recurso físico (Physical Resource Blocks – PRBs)
que estão disponíveis para transportar dados em uma janela de
1 segundo considerando a modulação Orthogonal Frequency-
Division Multiple Access (OFDMA) e 20 MHz de largura de
banda. Os PRBs usados para controlar a comunicação não são
levados em consideração. Por simplicidade, este trabalho foca
somente no sentido downlink, visto que apesar do uplink
provavelmente poder ser tratado de maneira similar, o fato
deste utilizar um controle de potência que muda a
interferência dependendo da associação eleva a complexidade
do problema [3].
Cada UE pode se conectar a somente uma única BS e
requer uma taxa mínima de transmissão de dados em bits por
segundo. Entretanto, o mesmo número de PRBs não
necessariamente entrega a mesma taxa para dois UEs distintos
devido a diferença de nível de interferência que cada UE pode
sofrer.
Para calcular o número de PRBs necessários que uma BS b
deve provisionar para satisfazer a taxa de transmissão de um
dado UE m utiliza-se a equação de Shannon, que computa a
máxima taxa de transmissão de dados suportada no enlace
IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 12, DECEMBER 2016
entre b e m considerando o nível de interferência sofrida pela
conexão entre ambos.
Pela equação de Shannon, a taxa de transmissão máxima do
sinal, denotada por Cmb, depende da largura de banda W e do
SINR da conexão, e é dada por:
= ∙ lg 1 (1)
Pela equação 1, é necessário calcular o SINRmb que pode
ser definido como a razão entre a potência do sinal e a
somatória da interferência média das outras células com ruído
de fundo (background noise) [10] [11] [12]:
∙ ,
= (2)
∑ ∙ ∙ ,
Onde Pb é a potência de transmissão da BS b, ϴb é o ângulo
de inclinação para baixo (downtilt) das antenas da rede, o qual
é constante neste trabalho. Amb é a atenuação de propagação
sofrida por m se conectado a b; é a posição de m; N é o
ruído termal; Pb’ é a máxima potência de transmissão de cada
uma das outras BSs e ρb’ é a disponibilidade da célula, ou seja,
a fração de PRBs disponíveis em b’.
Com o SINRmb calculado, é possível computar a taxa de
transmissão de dados máxima Cmb que o enlace entre m e b
pode prover considerando a interferência sofrida. O número de
PRBs em um timeframe da rede LTE é NW para cada largura
de banda W. Desse modo, a taxa de transmissão efetiva
suportada por um PRB no enlace entre m e b é Cmb/NW. Dado
que o usuário m requer uma taxa de transmissão de l Mbps,
calcula-se o número de PRBs necessários para alcançar tal
taxa. LTE suporta picos de velocidade no downlink de até 300
Mbps com uma largura de banda máxima de 20 MHz o que
corresponde a 100 PRBs. Um frame corresponde a 10 ms e é
composto de 10 subframes de 1 ms [13] [14].
Considera-se que todos os UEs tem a mesma potência
nominal de transmissão mas requisitam serviços diferentes,
isto é, taxas mínimas de transmissão de dados diferentes.
Apesar de terem a mesma potência de transmissão de dados,
os UEs não estão suscetíveis exatamente à mesma
interferência, o que afeta o número mínimo de PRBs
requeridos.
Embora os serviços requisitados pelos usuários se
diferenciem pela taxa mínima de transmissão demandada, a
prioridade entre eles não está sendo considerada neste
trabalho. Além disso, supõe-se que a interferência, a posição
dos UEs e o número mínimo de PRBs requisitados por um UE
são constantes no timeframe considerado.
III. FORMULAÇÃO DO PROBLEMA
Existem várias estratégias de associação de usuários que
tem como objetivo associar UEs com BSs para maximizar o
número de UEs aceitos. Entretanto, o balanceamento de carga
é considerado apenas como um outro parâmetro de qualidade
para estas estratégias e não o objetivo final [2] [5] [6].
Esta seção introduz um modelo de Programação Linear
Inteira (ILP), uma heurística gulosa sobre o resultado relaxado
TOSHIO HIRATA et al.: LOAD BALANCE AND USER
do ILP (LP_GREEDY), e uma estratégia distribuída e
probabilística (PROB_MIN_LOAD) para o problema de
associação de UEs considerando o balanceamento de carga
como objetivo. O intuito de tais estratégias é realizar a
associação de usuários levando em consideração a taxa
mínima de transmissão de dados requerida por cada UE assim
como a capacidade disponível no sentido downlink das BSs de
tal forma que a carga total é igualmente distribuída entre
macrocélulas e células menores.
A. Modelo de Programação Linear Inteira
Seja M o conjunto de UEs, B o conjunto de BSs e para cada
∈ , seja
= { ∈ ; tal que está na área de cobertura de }.
Denote por cb a capacidade b ϵ B em PRBs e por lmb o
número mínimo de PRBs que ∈ demanda de ∈
(este número inclui as perdas causadas pela interferência).
Além disso, seja a porcentagem mínima de UEs que
devem ser associados na solução.
As variáveis de decisão são xmb, Lmax e Lmin. A variável
∈ {0,1} indica se ∈ deveria ser associada ou não a
∈ ; ∈ ℝ é a fração de PRBs usados pela BS mais
sobrecarregada na solução encontrada, enquanto ∈ ℝ é
a fração de PRBs utilizados pela BS menos sobrecarregada.
Com isso, tem-se o modelo ILP P.1.
min − (P.1)
∑ ∈
s.a. ≥ , ∀ ∈ (3)
∑ ∈
≤ , ∀ ∈ (4)
≤ 1,∀ ∈ (5)
∈ servir m. Se b está sobrecarregado, o UE não é associado a
≤ ,∀ ∈
(6)
∈
≥ | | (7)
∈ ∈
∈ {0,1} , ∀ ∈ , ∀ ∈ (8)
A função objetivo minimiza a diferença entre a BS mais
sobrecarregada e a menos sobrecarregada (balanceamento de
carga). As restrições (3) e (4) forçam a corretude na
computação de Lmax e Lmin, respectivamente. Cada UE pode
ser aceito por no máximo uma BS (5). A soma das cargas de
todos os UEs aceitos em uma BS não pode ser maior que a sua
capacidade (6). Além disso, o número total de UEs aceitos
deve ser maior ou igual que % de todos os UEs (7).
Para cada valor fixo de na sequência finita
{1.00, 0.99,0.98, … ,0.00}, resolve-se, nesta ordem, o ILP P.1
e verifica-se se uma solução factível pode ser encontrada para
um dado . A condição de parada é justamente o primeiro
valor de que produz uma solução factível para o ILP. Dessa
forma, tenta-se encontrar a solução com o maior número de
4783
UEs atendidos e, para este em particular, obtem-se também
o melhor balanceamento de carga possível.
Uma simples implementação deste método resulta em um
algoritmo que, no pior caso, deve resolver 100 ILPs. Nesta
implementação, ao invés da busca linear pelo maior valor de
induzindo a um ILP válido, utilizou-se uma busca binária no
conjunto finito {1.00, 0.99,0.98, … ,0.00} o que resulta em no
máximo 7 ILPs a serem resolvidos.
B. Heurística Gulosa sobre Programção Linear
O modelo ILP descrito anteriormente obtém uma solução
ótima, mas resolvê-lo é computacionalmente caro. Assim, para
obter uma solução possivelmente boa (próxima do ótimo) em
tempo polinomial, a integralidade das variáveis xmb foi
relaxada e uma estratégia gulosa foi aplicada sobre a solução
do problema relaxado.
Algoritimo 1 Estratégia Gulosa sobre a Solução do LP
1: procedure LP_GREEDY(LP_SOL)
2: Seja x = (x11 , x12 , … , x|M||B|) a solução fracionária de LP_SOL
3: Ordene x em ordem decrescente
4: for each xmb nesta ordem do
5: if m não está associado then
6: associe m com b se b tem capacidade suficiente
7: end if
8: end for
9: end procedure
No Algoritmo 1, dada a solução da versão relaxada do
programa linear (LP_SOL), todas as variáveis de decisão xmb
são enfileiradas em ordem decrescente. Esta fila é consumida
nesta ordem e, para cada xmb, se o UE m não estava
previamente associado, ele é então associado ao BS b
correspondente se este, por sua vez, tem capacidade para
qualquer BS nesta iteração mas este será possivelmente
associado em uma futura iteração enquanto a fila estiver sendo
consumida.
C. Heurística Distribuída e Prababilística de Carga Mínima
A heurística LP_GREEDY é rápida mas relativamente
complexa de ser implementada uma vez que requer a solução
de um programa LP e, além disso, demanda um controlador
central com estado (stateful). Para superar tais limitações, uma
heurística distribuída e probabilística é proposta neste
artigo. Cada UE precisa receber a informação sobre a carga de
cada uma das BSs alcançáveis por ele, o que pode ser
facilmente realizado se cada BS transmitir tal informação. Em
seguida, o UE decide probabilisticamente com qual BS ele irá
se conectar em função das cargas recebidas. Supôs-se que
cada UE executa o Algoritmo 2 de forma independente uns
dos outros. Cada UE calcula de forma independente a
porcentagem de capacidade disponível para cada uma das BSs
alcançáveis. Esses valores são usados para definir a
probabilidade de conexão com cada BS. Note que quanto
4784 IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 12, DECEMBER 2016

maior a capacidade disponível de uma BS, maior a foram comparadas com as seguintes estratégias que foram
probabilidade que um UE se conecte a ela, entretanto, como a apresentadas em [5] e [2]:
associação é feita de maneira aleatória, a carga tende a ser • Best Downlink: UEs são associados com a BS que
igualmente distribuída entre as BSs. apresenta a melhor taxa transmissão no downlink;
• Best SINR: UEs são associados com as BSs que
Algoritimo 2 Estratégia Probabilística de Carga Mínima apresentam o melhor SINR;
1: procedure UE.PROB_MIN_LOAD(ReachableBS) • Pico Cell First: UEs são associados com picocélulas
2: total = 0.0 caso seu SINR seja melhor por um dado fator em
3: for each b em ReachableBS do comparação com as macro células;
4: availableb = (capacityb - loadb ) / capacityb • Range Expansion: é similar ao Best SINR mas um fator
5: total = total + availableb multiplicativo ao SINR é associado a cada tipo de BS;
6: end for • Rate Bias: parecido com o Range Expansion mas o
7: for each b em ReachableBS do fator é aplicado ao termo exponencial do SINR.
8: Pr (b) = availableb / total
9: end for Nossos algoritmos são denotados por
10: Associe m para uma das BSs alcançáveis considerando a probabilidade ILP_SIMPLE_MODEL (Seção III-A), LP_GREEDY (Seção
computada III-B) e PROB_MIN_LOAD (Seção III-C).
11: end procedure

V. RESULTADOS
IV. SIMULAÇÃO
Para avaliar o desempenho dos algoritmos propostos, o
cenário descrito em [9] e ilustrado na Fig. 1 foi utilizado, pois
este exemplifica uma das situações mais comuns em HetNets
[3]: a instalação de picocélulas em áreas de alta demanda de
serviço para que estas possam dividir a carga das
macrocélulas. Além disso, um simulador foi implementado e
os parâmetros de simulação adotados são baseados na
recomendação da 3GPP [15] e são apresentados na TABELA
I.

TABELA I
PARÂMETROS USADOS NOS CENÁRIOS DE SIMULAÇÃO

Parâmetros Valores / suposições

Número total de UEs ativos
(|M|)
Número de células
carregadas
Disposição das células
carregadas (Fig. 1)
Distância entre macro BSs
Disposição dos UEs (Fig.
1)
Potência de transmissão das
macrocélulas no downlink
Potência de transmissão das
picocélulas no downlink
100, 200, 300, ..., 1000
7 macrocélulas e 3 picocélulas Figura 2. Usuários aceitos.
7 macrocélulas hexagonais e vizinhas entre
si. 3 picocélulas instaladas na fronteira da
macrocélula central.
500m
Cada picocélula possui 20% dos jMj UEs
em sua área de cobertura. Cada
macrocélula (exceto a central) possui 6%
dos |M| UEs exclusivamente em sua área
de cobertura. 4% dos |M| UEs estão na área
de cobertura exclusiva da macrocélula
central.
46 dBm
30 dBm

Para criar um cenário de teste, as posições dos UEs foram

calculadas aleatoriamente mas respeitando a distribuição
ilustrada na Fig. 1. Para cada valor fixo do número total de
UEs, 30 cenários de testes diferentes foram aleatoriamente
gerados. Os resultados apresentados possuem intervalo de
confiança de 95%. O modelo ILP e as heurísticas propostas
Figura 3. Balanceamento de Carga.
A Fig. 3 apresenta o balanceamento de carga das soluções
obtidas pelos algoritmos. Note que ambos LP_GREEDY e
TOSHIO HIRATA et al.: LOAD BALANCE AND USER
ILP_SIMPLE_MODEL equilibram a carga de forma mais
balanceada que as outras estratégias. Além disso,
PROB_MIN_LOAD é também a melhor estratégia dentre
todas as que não utilizam programação linear. Observa-se
também que todas as outras estratégias deixam pelo menos
uma célula (que possui UEs em sua área de cobertura) sem
atender nenhum UE, ou seja, com 0% de carga pois estas não
levam em consideração a carga das células quando decidem a
associação de UEs. Assim, para UEs na fronteira da área de
cobertura de uma célula carregada, a chance de escolher uma
célula carregada ou não é praticamente a mesma.
Figura 4. Carga Média.
A Fig. 4 apresenta a carga média das BSs. As estratégias
propostas neste trabalho usam efetivamente mais recursos que
as outras estratégias e PROB_MIN_LOAD é a que usa a
maior quantidade. Isto pode ser parcialmente explicado pelo
fato dos algoritmos propostos conseguirem atender mais UEs
do que as outras estratégias. Assim como os resultados
apresentados na Fig. 3, isso acontece porque os UEs na
fronteira da células carregadas escolhem as células não-
carregadas ao invés das carregadas por estarem cientes das
cargas das BSs.
Considerando a métrica de balanceamento de carga, nota-se
que LP_GREEDY e PROB_MIN_LOAD produzem
resultados tão bons quanto as outras estratégias da literatura
para cenários de células não-sobrecarregadas e apresentam
melhores resultados em cenários com células sobrecarregadas.
É também interessante ressaltar que enquanto o objetivo
principal do nosso algoritmo é melhorar o balanceamento de
carga, LP_GREEDY e PROB_MIN_LOAD não só
alcançaram melhores resultados no balanceamento de carga
mas também aceitaram mais usuários mesmo em comparação
com estratégias que tem como objetivo a associação de
usuários.
VI. CONCLUSÕES
Neste trabalho, os problemas de associação de usuários e
de balanceamento de carga em HetNets foram formulados
como um problema de programação linear inteira e duas
4785
heurísticas foram propostas: uma baseada numa estratégia
gulosa sobre uma versão relaxada deste modelo e uma
distribuída e probabilística que privilegiam BSs com maiores
disponibilidades. De acordo com os resultados apresentados,
as estratégias propostas obtiveram melhores resultados que
outras heurísticas da literatura, principalmente em cenários de
células sobrecarregadas, por aceitarem mais UEs e
distribuirem a carga de maneira mais equalitária.
AGRADECIMENTOS
Esta pesquisa foi amparada pelo CNPq e pela FAPESP.
REFERÊNCIAS
[1] J. Andrews, S. Singh, Q. Ye, X. Lin, and H. Dhillon, “An overview of
load balancing in hetnets: old myths and open problems,” Wireless
Communications, IEEE, vol. 21, no. 2, pp. 18–25, April 2014.
[2] Q. Ye, B. Rong, Y. Chen, M. Al-Shalash, C. Caramanis, and J. Andrews,
“User Association for Load Balancing in Heterogeneous Cellular
Networks,” Wireless Communications, IEEE Transactions on, vol. 12,
no. 6, pp. 2706–2716, June 2013.
[3] J. Andrews, “Seven ways that hetnets are a cellular paradigm shift,”
Communications Magazine, IEEE, vol. 51, no. 3, pp. 136–144, March
2013.
[4] I. Siomina and D. Yuan, “Load balancing in heterogeneous LTE: Range
optimization via cell offset and load-coupling characterization,” 2012
IEEE International Conference on Communications (ICC), pp. 1357–
1361, Jun. 2012. [Online]. Available:
http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=6364075
[5] D. Fooladivanda, “Joint channel allocation and user association for
heterogeneous wireless cellular networks,” 2011 IEEE 22nd International
Symposium on Personal, Indoor and Mobile Radio Communications, pp.
384–390, Sep. 2011. [Online]. Available:
http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=6139988
http://ieeexplore.ieee.org/xpls/abs\_all.jsp?arnumber=6139988
[6] D. Fooladivanda and C. Rosenberg, “Joint resource allocation and user
association for heterogeneous wireless cellular networks.” IEEE
Transactions on Wireless Communications, vol. 12, no. 1, pp. 248–257,
2013. [Online]. Available: http://dblp.uni-
trier.de/db/journals/twc/twc12.html#FooladivandaR13
[7] N. Prasad, M. Y. Arslan, and S. Rangarajan, “Exploiting cell dormancy
and load balancing in LTE hetnets: Optimizing the proportional fairness
utility,” in IEEE International Conference on Communications, ICC
2014, Sydney, Australia, June 10-14, 2014, 2014, pp. 1916–1921.
[Online]. Available: http://dx.doi.org/10.1109/ICC.2014.6883603
[8] S. Mishra, S. Rangineni, and C. Murthy, “Exploiting an optimal user
association strategy for interference management in hetnets,”
Communications Letters, IEEE, vol. 18, no. 10, pp. 1799–1802, Oct
2014.
[9] S.-Y. Lien, T.-H. Liau, C.-Y. Kao, and K.-C. Chen, “Cooperative access
class barring for machine-to-machine communications,” Wireless
Communications, IEEE Transactions on, vol. 11, no. 1, pp. 27–32,
January 2012.
[10] F. Afroz, R. Subramanian, R. Heidary, K. Sandrasegaran, and S. Ahmed,
“SINR, RSRP, RSSI and RSRQ Measurements in Long Term Evolution
Networks,” International Journal of Wireless & Mobile Networks, vol. 7,
no. 4, pp. 113–123, 2015. [Online]. Available:
http://www.airccse.org/journal/jwmn/7415ijwmn09.pdf
[11] I. Viering, M. Dottling, and A. Lobinger, “A mathematical perspective of
self-optimizing wireless networks,” in Communications, 2009. ICC ’09.
IEEE International Conference on, June 2009, pp. 1–6.
[12] D. Pernes, D. Neves, and P. Vieira, “Análise de cobertura e capacidade
em redes móveis lte de quarta geração (4g),” in URSI Seminar of the
Portuguese Committee, vol. 1, November 2012, pp. 1–1.
[13] J. Zyren, “Overview of the 3GPP Long Term Evolution Physical Layer,”
Evolution, vol. 07/, pp. 2–22, 2007. [Online]. Available:
http://www.freescale.com/files/wireless{\_}comm/doc/white{\_}paper/3
GPPEVOLUTIONWP.pdf
[14] A. Sibille, C. Oestges, and A. Zanella, MIMO: From Theory to
Implementation, 1st ed. Academic Press, 2010.
4786 IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 12, DECEMBER 2016

[15] 3GPP, “Study on ran improvements for machine-type communications,”

3GPP, TR 37.868, 2011. [Online]. Available: http://www.3gpp.org.

Alexandre T. Hirata graduou-se tanto em Engenharia de

Computação como em Matemática Aplicada pela
Universidade Estadual de Campinas (UNICAMP) em 2009.
Atualmente é estudante de mestrado em Ciência da
Computação na Universidade Estadual de Campinas
(UNICAMP) e atua como Engenheiro de Software na Daitan
Group. Trabalhou como Estagiário Técnico em
Telecomunicações no Laboratório Nacional de Luz Síncroton (LNLS). Suas
áreas de interesse incluem algoritmos, pesquisa operacional e sistemas de
telecomunicações.

Eduardo C. Xavier obteve o Doutorado em Ciência da

Computação pela Universidade Estadual de Campinas
(Unicamp) em 2006 e o bacharelado em Ciência da
Computação pela Universidade Federal do Paraná em 2000.
Atualmente é professor no Instituto de Computação da
Unicamp. Suas áreas de pesquisa incluem algoritmos,
pesquisa operacional e sistemas computacionais.

Juliana F. Borin é professora do Instituto de Computação da

Universidade Estadual de Campinas (UNICAMP). Doutora
(2010) e Mestre (2004) em Ciência da Computação pela
UNICAMP e Bacharel em Informática (2002) pela
Universidade Estadual do Oeste do Paraná. Seus interesses de
pesquisa incluem comunicação sem fio (Wifi, WiMAX,
LTE), protocolos de controle de acesso, modelagem e
avaliação de desempenho de redes de computadores e Internet das Coisas.