Μονάδα:
Κατεύθυνση Δικτύωση ΥπολογιστώνΠληροφορική
Ημερομηνία κατάθεσης:
2024-07-09
Συγγραφέας:
Θανόπουλος Αλέξανδρος-Ιωάννης
Στοιχεία επιβλεπόντων καθηγητών:
Αλωνιστιώτη Αθανασία, Αναπληρώτρια Καθηγήτρια, Τμήμα Πληροφορικής και Τηλεπικοινωνιών, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών.
Σταυρακάκης Ιωάννης, Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών.
Αλεξανδρόπουλος Γεώργιος, Αναπληρωτής Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών.
Πρωτότυπος Τίτλος:
Quality of Service Prediction in 5G and Beyond Networks
Γλώσσες εργασίας:
Αγγλικά
Μεταφρασμένος τίτλος:
Πρόβλεψη Ποιότητας Υπηρεσιών σε 5G και Μεταγενέστερα Δίκτυα
Περίληψη:
Η διασφάλιση των απαραίτητων πόρων δικτύωσης - και ως αποτέλεσμα και της απαιτούμενης Ποιότητας Υπηρεσίας (Quality of Service- QoS) δικτύου - είναι ύψιστης σημασίας για εφαρμογές Συνδεδεμένης και Αυτοματοποιημένης Κινητικότητας (Connected and Automated Mobility - CAM), καθώς διακυβεύεται η ασφάλεια των εμπλεκόμενων σε αυτές ατόμων. Για την έγκαιρη αναγνώριση πιθανής υποβάθμισης της Ποιότητας Υπηρεσίας δικτύου μπορούν να αξιοποιηθούν τεχνικές Μηχανικής Μάθησης (Machine Learning- ML) - οι οποίες βρίσκουν ολοένα και περισσότερες εφαρμογές στα Δίκτυα Κινητών Επικοινωνιών 5ης Γενιάς (5G) και μεταγενέστερα - με σκοπό τη πρόβλεψη τέτοιων αλλαγών και την ενημέρωση της αντίστοιχης CAM εφαρμογής, ώστε αυτή να έχει ένα περιθώριο προσαρμογής. Η τρέχουσα εργασία παρουσιάζει αποτελέσματα για την Πρόβλεψη Ποιότητας Υπηρεσιών σε 5G και Μεταγενέστερα Δίκτυα. Αρχικά γίνεται μια παρουσίαση των πιο σύγχρονων δουλειών (state-of-the-art) ως προς τη πρόβλεψη Ποιότητας Υπηρεσιών (QoS) σε ασύρματα δίκτυα, καθώς και μια παρουσίαση της CAM εφαρμογής Τηλεχειριζόμενης Οδήγησης (Tele-operated Driving) - στην οποία στηρίζεται η τρέχουσα εργασία - παράλληλα με τις τεχνικές προϋποθέσεις/απαιτήσεις για την πρόβλεψη Βασικών Δεικτών Απόδοσης (Key Performance Indicators - KPIs) της Ποιότητας Υπηρεσίας (QoS) σε τέτοιες εφαρμογές. Στη συνέχεια μελετάται συνοπτικά η έννοια της Βαθιάς Μάθησης (Deep Learning), εστιάζοντας στην εφαρμογή της για τη πρόβλεψη Ποιότητας Υπηρεσιών (QoS): Συγκεκριμένα παρατίθεται μια επισκόπηση των Βαθέων Νευρωνικών Δικτύων (Deep Neural Networks - DNNs), καθώς και πληροφορίες για τη Πρόβλεψη Πολυμεταβλητών Πολυβηματικών Χρονοσειρών (Multivariate Multistep TimeSeries Prediction) αξιοποιώντας αρχιτεκτονικές Long-Short Term Memory (LSTM). Η εργασία περιλαμβάνει επιπλέον περιγραφή της αρχιτεκτονικής, του μοντέλου δεδομένων, της μεθοδολογίας και του περιβάλλοντος δοκιμής μιας υλοποίησης για τη πρόβλεψη της Ποιότητας Υπηρεσιών (QoS) - βασισμένης στη θεωρία των προηγούμενων κεφαλαίων. Τέλος δίνονται τα συμπεράσματα της τρέχουσας δουλειάς.
Κύρια θεματική κατηγορία:
Τεχνολογία – Πληροφορική
Λέξεις-κλειδιά:
B5G, δίκτυα κινητών επικοινωνιών, QoS, ToD
Αρ. σελίδων ευρετηρίου:
2
Αρ. βιβλιογραφικών αναφορών:
44
Αρχείο:
Δεν επιτρέπεται η πρόσβαση στο αρχείο. H πρόσβαση επιτρέπεται μόνο εντός του δικτύου του ΕΚΠΑ.
thesis_en3180002.pdf
3 MB
Δεν επιτρέπεται η πρόσβαση στο αρχείο. H πρόσβαση επιτρέπεται μόνο εντός του δικτύου του ΕΚΠΑ.
