Τα ασύρματα δίκτυα έχουν εξελιχθεί ραγδαία την τελευταία δεκαετία. Στο τέλος του τέταρτου τριμήνου του 2021 υπήρχαν περισσότερες από 4.95 δισεκατομμύρια εγγεγραμμένοι χρήστες σε υπηρεσίες 4G/5G. Σε σχέση με τις αρχές του 2011, όπου ο αντίστοιχος αριθμός εγεγγραμμένων χρηστών άγγιζε τα 9 εκατομμύρια. Μόνο στην Κίνα, υπολογίζεται πως οι εγεγγραμμένοι χρήστες σε αντίστοιχες υπηρεσίες, για το έτος 2021, ξεπέρασαν το 1.5 δισεκατομμύριο. Η ραγδαία αυτή αύξηση των ενεργών συνδρομητών οφείλεται και στην καλύτερη υποστήριξη υπηρεσιών, ειδικά στην Ευρώπη, που η κάλυψη σε αρκετές χώρες αγγίζει το 99%. Βάση αυτού, η δυνατότητα κάλυψης του 6G θα πρέπει να είναι σε ακόμη καλύτερα επίπεδα. Σε αυτό το πλαίσιο, η παρούσα πτυχιακή εργασία ασχολήθηκε με την βελτιστοποίηση των υπηρεσίων σε 6G, εξετάζοντας τη μετάδοση της επικοινωνίας σε THz συχνότητες.
Αρχικά, μελετήθηκαν οι σχετικοί τρόποι, που θα μπορούσαν να δώσουν καλύτερη υποστήριξη υπηρεσιών στο 6G. Έχοντας ως κύριο τρόπο τη βελτιστοποίηση μέσω μηχανικής μάθησης, εξετάστηκε η σχετική βιβλιογραφία, με σκοπό να εντοπιστούν και να καταγραφούν όλοι οι πιθανοί τρόποι που θα μπορούσαν να οδηγήσουν στη δημιουργία ενός συνόλου δεδομένων, ικανό να προσομοιώσει το 6G. Οπότε, καταγράφηκαν όλοι οι σχετικοί προσομοιωτές/εξομοιωτές, που παρέχουν τη δυνατότητα δημιουργίας ενός συνόλου δεδομένων σε 6G συχνότητες. Έπειτα, αναλύθηκαν, ώστε να καταλήξει η εργασία στη σωστή επιλογή ενός συνόλου δεδομένων. Τελικά, επιλέχτηκε ένα σύνολο δεδομένων, το οποίο υπήρχε ήδη, με την ονομασία RAYMOBTIME, που βασίζεται στην αυτοκίνηση.
Στη συνέχεια, η μελέτη επικεντρώθηκε στην ανάλυση του συνόλου δεδομένων, με διάφορους τρόπους που προσφέρει η μηχανική μάθηση. Δηλαδή, εκτελέστηκαν τα πειράματα των συγγραφέων σε βασικούς ταξινομητές και βαθιά μηχανική μάθηση. Έπειτα, εξερευνήθηκαν νέοι αλγόριθμοι, και μέσω GridSearchCV, εντοπίστηκαν τα καλύτερα αποτελέσματα. Το τελικό αποτέλεσμα της παρούσας μελέτης είναι η βελτιστοποίηση των αποτελεσμάτων των συγγραφέων, με έως και 50% καλύτερο AUC score (94.50%).
Wireless networks have drastically evolved the last decade. Precisely, the last quarter (Q4) of 2021, 4G/5G had more than 4.95 billion subscribers. In comparison with the start of 2011, in which the active subscriptions were around 9 millions. It should be noted that only China has more than 1.5 billion subscribers to such services (4G/5G). This radical increase in numbers can be pinpointed to the good quality of services most vendors have. For instance, most European countries have a coverage range close to 99%. Since subscribers have used good quality of services, 6G will need to be even more optimized. To this extend, the current thesis aims to cover a way to improve the quality of service on 6G users, when they communicate in THz frequencies.
First, a short study was made to elaborate on different ways to improve 6G quality of service. In most cases, Machine Learning techiques can improve the quality of service in cellular. For this reason, we examined the relevant literature to identify any potential dataset, that could be used on THz. After that, we mentioned every simulator we found, capable of providing such a dataset. Lastly, the RAYMOBTIME dataset was chosen, because it was already recorded and was relevant to the automotive traffic, i.e., it was a possible real case scenario that could be needed in the future.
On this point, the study focused on analyzing the relevant dataset, and find any way to improve the results of their authors, after having them analyzed again, in our hardware device. By adding new Machine Learning algorithms, and improving them with GridSearchCV, we managed to increase the prediction rate by 50%, reaching an AUC score of 94.50%, in comparison to the results of the authors.
Προσομοίωση δικτύων 6G σε THz συχνότητες