Δυναμική ανάθεση ραδιοπόρων σε κυψελωτά δίκτυα 5ης γενιάς (5G) με αλγορίθμους Τεχνητής Νοημοσύνης (ΑΙ) και Μηχανικής Μάθησης (ML).
Διπλωματική Εργασία
| Επιβλέπων | Δήμητρα-Θεοδώρα Κακλαμάνη |
|---|---|
| Συσχετιζόμενο μάθημα | Υπολογιστικές Τεχνικές για Συστήματα Μετάδοσης Πληροφορίας |
Περιγραφή
Ο μεγάλος αριθμός των χρηστών σε ασύρματα κυψελωτά δίκτυα, καθώς και η ολοένα αυξανόμενη απαίτησή τους για υψηλούς ρυθμούς μετάδοσης, σε συνδυασμό με την εξασφάλιση ποιότητας υπηρεσίας (QoS), επιβάλλουν την ανάπτυξη προηγμένων τεχνικών πρόσβασης στο φυσικό μέσο και μετάδοσης δεδομένων. Στο πλαίσιο αυτό, η ερευνητική δραστηριότητα τα τελευταία χρόνια έχει επικεντρωθεί στην προτυποποίηση των δικτύων κινητής τηλεφωνίας 5ης γενιάς (5G).
Επιπλέον, η επιστήμη δεδομένων και η μηχανική μάθηση, που αναπτύσσονται ταχέως και έχουν εισχωρήσει σε κάθε πτυχή της ανθρώπινης ζωής, υπόσχονται ακόμα μεγαλύτερα οφέλη συνδυαζόμενες με τεχνολογίες 5G. Τα οφέλη αυτά αφορούν εξίσου στο δίκτυο κορμού και στους σταθμούς βάσης (BS/ eNBs), αλλά και σε εφαρμογές φλοιού, που εξυπηρετούν μια πληθώρα επαγγελματικών κλάδων.
Στόχος της παρούσας διπλωματικής εργασίας είναι η μελέτη τεχνικών ανάθεσης ραδιοπόρων σε υποδομές 5G με αξιοποίηση βασικών AI – ML αλγορίθμων. Η αποδοτικότερη και δυναμική κατανομή των ραδιοπόρων θα επιτυγχάνεται με βάση την κατηγοριοποίηση των παρεχόμενων υπηρεσιών, ανάλογα με τις απαιτήσεις του χρήστη και άλλες παραμέτρους (π.χ. την ισχύ κάτω ζεύξης).
Το πρώτο μέρος της διπλωματικής εργασίας περιλαμβάνει μελέτη, τόσο του θεωρητικού υπόβαθρου των συστημάτων 5G, όσο και των σημαντικότερων χρησιμοποιούμενων αλγορίθμων στην κατανομή και αποδοτική διαχείριση ραδιοπόρων.
Το δεύτερο μέρος περιλαμβάνει την εφαρμογή μεθόδων και αλγορίθμων μηχανικής μάθησης σε μια ήδη υλοποιημένη 5G τοπολογία (ημιστατικός προσομοιωτής επιπέδου ζεύξης), με αντικείμενο την αποδοτικότερη κατανομή των διαθέσιμων ραδιοπόρων.
Απαραίτητες βασικές γνώσεις αρχών και αρχιτεκτονικών Μηχανικής Μάθησης, Μatlab ή Python και δικτύων επικοινωνιών.