Προπτυχιακές Σπουδές

Αντιμετώπιση προβλημάτων Δυναμικής Ανάθεσης Ραδιοπόρων σε Δίκτυα Επόμενης Γενιάς (Beyond 5G) με Συνεργατική Μάθηση (Federated Learning - FL)
Διπλωματική Εργασία

---

Περιγραφή

Ο μεγάλος αριθμός χρηστών σε δίκτυα νέας γενιάς (Beyond 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. Συγκεκριμένα, η χρήση πολύ μεγάλου πλήθους κεραιών στο σταθμό βάσης (Μassive Multiple Input Multiple Output - mMIMO), η προσαρμοστική κωδικοποίηση (Adaptive Modulation Coding - AMC), τα προηγμένα σχήματα πολλαπλής πρόσβασης στο μέσο (όπως η μη-ορθογώνια πολλαπλή πρόσβαση (Non-Orthogonal Multiple Access - ΝΟΜΑ) και οι τοπολογίες χωρίς κυψέλες (cell-free topologies) χρίζουν περαιτέρω αξιοποίησης.

Στο ίδιο πλαίσιο, η χρήση κόμβων αναμετάδοσης (Relay Nodes - RN), 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. Ωστόσο, οι κλασσικές ML τεχνικές δεν συνεκτιμούν την εισαγωγή μεγάλης υπολογιστικής πολυπλοκότητας λόγω της πολυπαραμετρικής φύσης των προβλημάτων ανάθεσης ραδιοπόρων (Radio Resource Management - RRM) σε B5G συστήματα. Η Συνεργατική Μάθηση (Federated Learning - FL) είναι μια ML τεχνική, η οποία εκτελεί ML εργασίες (εκπαίδευση, εκτέλεση τμημάτων αλγορίθμων) σε πολλαπλές αποκεντρωμένες δικτυακές τοποθεσίες (συσκευές, εξυπηρετητές), σε κάθε μία από τις οποίες διατηρούνται τοπικά δεδομένα (local datasets). Με αυτόν τον τρόπο επιτυγχάνεται ο διαμοιρασμός του υπολογιστικού φόρτου όσον αφορά τα RRM προβλήματα σε B5G δίκτυα.

Στόχος της παρούσης διπλωματικής εργασίας είναι η μελέτη και αξιοποίηση FL αλγορίθμων σε υποδομές Β5G για την αποδοτικότερη και δυναμική αντιμετώπιση RRM προβλημάτων (όπως η κατανομή υποφερόντων σε χρήστες, η τοποθέτηση και επιλογή RN, κ.α.). Κύριες μετρικές απόδοσης των παραπάνω αλγορίθμων θα αποτελέσουν η ενεργειακή και φασματική αποδοτικότητα (Energy Efficiency - EE και Spectral Efficiency - SE).

Η εκπόνηση της διπλωματικής εργασίας περιλαμβάνει, αρχικά, μελέτη τόσο του θεωρητικού υπόβαθρου φυσικού επιπέδου των συστημάτων Β5G, όσο και των βασικών αρχών και τεχνικών FL. Εν συνεχεία, ο σπουδαστής θα εφαρμόσει μεθόδους και αλγορίθμους FL, παραμετροποιώντας B5G προσομοιωτές επιπέδου ζεύξης, οι οποίοι έχουν ήδη υλοποιηθεί στο εργαστήριο. Η διπλωματική εργασία θα ολοκληρωθεί με τη συγκριτική αποτίμηση των χρησιμοποιούμενων παραλλαγών των FL μοντέλων, καθώς και με σύγκριση αυτών με ένα σύστημα αναφοράς χωρίς χρήση ML.

Απαραίτητες γνώσεις: Βασικές γνώσεις κινητών επικοινωνιών, Βασικές γνώσεις Python

Επιθυμητές γνώσεις: Αρχές και αρχιτεκτονικές Μηχανικής Μάθησης, MATLAB, Python βιβλιοθήκες (Keras/TensorFlow)