Δυναμική Ανάθεση Ραδιοπόρων σε Κυψελωτά Δίκτυα Επόμενης Γενιάς (5G and Beyond) με χρήση Βαθιάς Ενισχυτικής Μάθησης (Deep Reinforcement Learning - DRL). (1 Άτομο)
Διπλωματική Εργασία
| Επιβλέπων | Δήμητρα-Θεοδώρα Κακλαμάνη |
|---|---|
| Συσχετιζόμενο μάθημα | Προηγμένες Τεχνολογίες Κινητού Υπολογισμού |
Περιγραφή
Η γεωμετρική αύξηση της ταυτόχρονης παρουσίας ενεργών χρηστών σε ασύρματα κυψελωτά δίκτυα, καθώς και οι ολοένα αυξανόμενες απαιτήσεις τους για υψηλούς ρυθμούς μετάδοσης και ελάχιστη καθυστέρηση, καθιστούν αναγκαία την ανάπτυξη προηγμένων μεθόδων πρόσβασης στο φυσικό μέσο και αποδοτικών τεχνικών μετάδοσης δεδομένων. Σε αυτό το πλαίσιο, τόσο η προτυποποίηση των δικτύων 5ης γενιάς (5G) όσο και η ερευνητική δραστηριότητα στα δίκτυα επόμενης γενιάς (Beyond 5G, 6G), επικεντρώνεται στην ταυτόχρονη ικανοποίηση των παραπάνω απαιτήσεων για ποιότητα υπηρεσίας και εμπειρίας (Quality of Service – QoS και Quality of Experience – QoE), αλλά και στην αύξηση της φασματικής απόδοσης των κυψελωτών συστημάτων.
H μηχανική μάθηση (Machine Learning - ML) έχει αποδειχθεί μια αποτελεσματική λύση για τη βελτιστοποίηση απόκρισης σε πολυπαραμετρικά προβλήματα, μειώνοντας συγχρόνως σημαντικά την υπολογιστική πολυπλοκότητα. Ωστόσο, στο πεδίο των ασυρμάτων επικοινωνιών με έμφαση στο δίκτυο πρόσβασης, η ύπαρξη πολλαπλών διασυνδεδεμένων συσκευών και η πολυπλοκότητα του καναλιού μετάδοσης δυσχεραίνουν ακόμα περισσότερο το πρόβλημα της αποτελεσματικής ανάθεσης ραδιοπόρων (Radio Resource Management – RRM). Συνεπώς, η Βαθιά και η Ενισχυτική μάθηση (Deep and Reinforcement Learning – DL και RL) προτείνονται ως αποτελεσματικότερες κατηγορίες ML αλγορίθμων για το συγκεκριμένο πρόβλημα.
Στόχος της παρούσης διπλωματικής εργασίας είναι η μελέτη και αξιοποίηση DRL αλγορίθμων σε υποδομές Β5G. 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). Έμφαση θα δοθεί σε παραλλαγές Βαθιάς Q-μάθησης (Deep Q-Learning) για την επίλυση του παραπάνω προβλήματος.
Η εκπόνηση της διπλωματικής εργασίας περιλαμβάνει, αρχικά, μελέτη τόσο του θεωρητικού υπόβαθρου των συστημάτων 5G, όσο και των σημαντικότερων χρησιμοποιούμενων αλγορίθμων (non-ML) για την κατανομή και αποδοτική διαχείριση ραδιοπόρων. Στη συνέχεια, ο σπουδαστής θα εφαρμόσει μεθόδους και αλγορίθμους DRL, παραμετροποιώντας 5G προσομοιωτές επιπέδου ζεύξης, οι οποίοι έχουν ήδη υλοποιηθεί στο εργαστήριο και χρησιμοποιώντας τα αντίστοιχα σύνολα δεδομένων (datasets). Η διπλωματική εργασία θα ολοκληρωθεί με τη συγκριτική αποτίμηση των χρησιμοποιούμενων παραλλαγών των DRL μοντέλων, καθώς με σύγκριση αυτών με ένα σύστημα αναφοράς χωρίς χρήση ML, με βάση τόσο ML μετρικές (accuracy, RMSE, f1-score, etc.) όσο και δικτυακές μετρικές (throughput, SNIR, QoS, etc.).
Απαραίτητες γνώσεις: Βασικές γνώσεις κινητών επικοινωνιών, Βασικές γνώσεις Python.
Επιθυμητές γνώσεις: Αρχές και αρχιτεκτονικές Μηχανικής Μάθησης, Matlab, Python βιβλιοθήκες (Keras/Tensorflow).