Αποδοτική ανάθεση πόρων σε δίκτυα 5G με χρήση machine learning
Loading...
Date
2024-02-27
Authors
Ηλιοπούλου, Σταυρούλα
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Μια από τις μεγαλύτερες προκλήσεις που αναδύονται στα δίκτυα κινητής τηλεφωνίας 5ης γενιάς (5G) είναι η αποδοτική υποστήριξη στο δίκτυο όσον αφορά στη λήψη ολοένα και καλύτερων αποφάσεων με βάση τη διαθέσιμη γνώση και πληροφορία. Οι τεχνικές Μηχανικής Μάθησης (Machine Learning - ML) δίνουν τη δυνατότητα να αντιμετωπιστούν δυναμικά προβλήματα στα δίκτυα 5G, όπως η κατανομή των πόρων του δικτύου σε πραγματικό χρόνο, και να ληφθούν έγκυρες αποφάσεις βάσει δεδομένων, ακόμη και αν τα δεδομένα είναι ελλιπή, θορυβώδη ή ακόμη και αντιφατικά. Ταξινομούνται σε δύο μεγάλες κατηγορίες, σε εποπτευόμενης μάθησης (supervised learning) και μη εποπτευόμενης μάθησης (unsupervised learning), ανάλογα με τη φύση της εκπαίδευσης ή την «ανατροφοδότηση» που είναι διαθέσιμη σε ένα σύστημα εκμάθησης. Στόχος της συγκεκριμένης διπλωματικής είναι να μελετήσει αναλυτικά το πρόβλημα της ανάθεσης πόρων σε δίκτυα 5G και τις βελτιώσεις που η τεχνολογία της Μηχανικής Μάθησης μπορεί να προσφέρει, και να εφαρμόσει τεχνικές μηχανικής μάθησης για την περαιτέρω βελτίωση της ανάθεσης πόρων.
Description
Keywords
Δίκτυα 5G, Ανάθεση, Αποδοτικότητα, Ασύρματα δίκτυα, Δικτυακοί πόροι, Δίκτυα τηλεπικοινωνιών, Κινητά δίκτυα, Μηχανική μάθηση