Βελτιστοποίηση τοποθέτησης και επιλογής Κόμβων Αναμετάδοσης σε Ετερογενή Δίκτυα επόμενης γενιάς (5G και Beyond) με χρήση τεχνικών Μηχανικής Μάθησης (ML). (1 Άτομο)
Διπλωματική Εργασία
| Επιβλέπων | Δήμητρα-Θεοδώρα Κακλαμάνη |
|---|---|
| Συσχετιζόμενο μάθημα | Προηγμένες Τεχνολογίες Κινητού Υπολογισμού |
Περιγραφή
Ο μεγάλος αριθμός χρηστών σε δίκτυα νέας γενιάς (5G/B5G) και η ολοένα αυξανόμενη απαίτησή τους για υψηλούς ρυθμούς μετάδοσης και υψηλά επίπεδα ποιότητας υπηρεσίας και εμπειρίας (Quality of Service – QoS και Quality of Experience – QoE) επιβάλλουν την ανάπτυξη προηγμένων μεθόδων πρόσβασης στο φυσικό μέσο και αποδοτικών τεχνικών μετάδοσης δεδομένων. Η χρήση πολύ μεγάλου πλήθους κεραιών στο σταθμό βάσης (Μassive Multiple Input Multiple Output – mMIMO), η προσαρμοστική κωδικοποίηση (Adaptive Modulation Coding - AMC) και τα προηγμένα σχήματα πολλαπλής πρόσβασης στο μέσο (όπως η μη-ορθογώνια πολλαπλή πρόσβαση (Non-Orthogonal Multiple Access - ΝΟΜΑ)) που προτάθηκαν αρχικά στα δίκτυα 4G, χρίζουν περαιτέρω αξιοποίησης.
Στο ίδιο πλαίσιο, η χρήση κόμβων αναμετάδοσης (Relay Nodes - RN), κυρίως στα όρια της περιοχής κάλυψης κάθε κυψέλης, αποσκοπεί στην εύκολη επεκτασιμότητα και διεύρυνση του δικτύου, χωρίς την εγκατάσταση επιπλέον σταθμών βάσης (Base Station - BS). Όταν δε η ενεργοποίηση RN συνδυάζεται με τις προαναφερθείσες τεχνολογίες, οδηγεί σε αυξημένη ενεργειακή και φασματική απόδοση, αλλά και στη δημιουργία πλήθους ασυσχέτιστων καναλιών, τα οποία μπορούν να διατεθούν σε διαφορετικές ομάδες χρηστών. Συνεπώς, ο αριθμός τον εξυπηρετούμενων χρηστών και η περιοχή κάλυψης αυξάνονται, διατηρώντας σταθερά επίπεδα QoS. Η Μηχανική Μάθηση (Machine Learning - ML) υπόσχεται ακόμα μεγαλύτερα οφέλη, χάρις στην ικανότητά της να επιλύει πολυπαραμετρικά προβλήματα, με ταυτόχρονη μείωση της υπολογιστικής πολυπλοκότητας. Στο πλαίσιο αυτό, υπάρχει έντονο ερευνητικό ενδιαφέρον στην υλοποίηση ML αλγορίθμων σε δύο συναφή προβλήματα. Το πρώτο αφορά στην κατάλληλη επιλογή RN για κάθε χρήστη που δεν εξυπηρετείται από BS, είτε λόγω γεωγραφικών είτε λόγω φασματικών περιορισμών, ενώ το δεύτερο αφορά στην κατάλληλη τοποθέτηση των RN στην περιοχή κάλυψη της κάθε κυψέλης, με στόχο την παροχή υπηρεσίας σε όσους κατά το δυνατόν περισσότερους χρήστες.
Στόχος της παρούσης διπλωματικής εργασίας είναι η χρήση και αξιολόγηση ML αλγορίθμων για την επίλυση των παραπάνω προβλημάτων, με παραμετροποίηση ενός ήδη υλοποιημένου στο εργαστήριο link-level προσομοιωτή συστήματος Β5G με πλήθος σταθμών βάσης και RNs. Η διπλωματική εργασία θα περιλαμβάνει, τόσο ανασκόπηση του θεωρητικού υπόβαθρου της χρήσης RNs σε ασύρματα δίκτυα επικοινωνιών επόμενης γενιάς (5G/Β5G), όσο και παραμετροποίηση πολλαπλών ML αλγορίθμων με χρήση 5G datasets για τη βελτιστοποίηση της επιλογής και τοποθέτησης RNs στην Β5G τοπολογία, αλλά και στην κατανομή των διαθέσιμων ραδιοπόρων.
Απαραίτητες γνώσεις: Βασικές γνώσεις κινητών επικοινωνιών, Βασικές γνώσεις Python.
Επιθυμητές γνώσεις: Αρχές και αρχιτεκτονικές Μηχανικής Μάθησης, Matlab, Python βιβλιοθήκες (Keras/Tensorflow).