Συγκριτική Μελέτη Αλγορίθμων Μηχανικής Μάθησης (ML) για τη Δυναμική Ανάθεση Ραδιοπόρων σε Κυψελωτά Δίκτυα Επόμενης Γενιάς (5G and Beyond) (1 Άτομο)
Διπλωματική Εργασία
| Επιβλέπων | Δήμητρα-Θεοδώρα Κακλαμάνη |
|---|---|
| Συσχετιζόμενο μάθημα | Υπολογιστικές Τεχνικές για Συστήματα Μετάδοσης Πληροφορίας |
Περιγραφή
Ο μεγάλος αριθμός χρηστών σε ασύρματα κυψελωτά δίκτυα, καθώς και οι ολοένα αυξανόμενες απαιτήσεις τους για υψηλούς ρυθμούς μετάδοσης με ελάχιστη καθυστέρηση, επιβάλλουν την ανάπτυξη προηγμένων τεχνικών πρόσβασης στο φυσικό μέσο και μετάδοσης δεδομένων. Στην κατεύθυνση αυτή, η προτυποποίηση των δικτύων κινητής τηλεφωνίας 5ης γενιάς (5G) αναμένεται να συμβάλει, τόσο στην ικανοποίηση των παραπάνω απαιτήσεων, όσο και στην αύξηση της φασματικής απόδοσης των κυψελωτών συστημάτων.
H μηχανική μάθηση (Machine Learning - ML), προτείνεται ως μια αποτελεσματική προσέγγιση σε πολυπαραμετρικά προβλήματα καθώς, αφενός βελτιστοποιεί την εύρεση λύσεων, αφετέρου μειώνει σημαντικά την υπολογιστική πολυπλοκότητα. Όσον αφορά στις ασύρματες επικοινωνίες και δίκτυα επόμενης γενιάς (5G and Beyond), οι ML αλγόριθμοι αναπτύσσονται εξίσου στο δίκτυο κορμού, στους σταθμούς βάσης (Base Stations/Evolved Nodes B - BS/eNBs) και στο δίκτυο πρόσβασης.
Στόχος της παρούσης διπλωματικής εργασίας είναι η μελέτη και αξιοποίηση βασικών ML αλγορίθμων σε υποδομές 5G. 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 (ημι-στατικός προσομοιωτής επιπέδου ζεύξης), με αντικείμενο την αποδοτικότερη κατανομή των διαθέσιμων ραδιοπόρων. Εν τέλει, θα παρουσιαστεί μια συγκριτική αποτίμηση των χρησιμοποιούμενων ML μοντέλων, ώστε να επιλεγούν εκείνα με την καλύτερη επίδοση σύμφωνα με τη βελτιστοποίηση παραμέτρων του δικτύου (ρυθμός διέλευσης, αριθμός εξυπηρετούμενων χρηστών κ.α.).
Απαραίτητες βασικές γνώσεις Ασυρμάτων Ζεύξεων και Διάδοσης, Matlab ή Python.
Επιθυμητές γνώσεις αρχών και αρχιτεκτονικών Μηχανικής Μάθησης.