Χρήση Τεχνητής Νοημοσύνης στην Υποστήριξη των Επικοινωνιών 5ης Γενιάς

Use of Artificial Intelligence for Support of 5G Communications (Αγγλική)

  1. MSc thesis
  2. Λαζάρου, Ιωάννης
  3. Συστήματα Κινητού και Διάχυτου Υπολογισμού (ΣΔΥ)
  4. 24 Σεπτεμβρίου 2022 [2022-09-24]
  5. Ελληνικά
  6. 71
  7. Χατζημίσιος, Περικλής
  8. Χατζημίσιος, Περικλής | Ψαννής, Κωσταντίνος
  9. Αναδρομικά Νευρωνικά Δίκτυα | RNN | Τεχνητά Νευρωνικά Δίκτυα Συνελίξεων | Conv-LSTM | Δίκτυα Μακροπρόθεσμης Βραχυπρόθεσμης Μνήμης | LSTM | Υπέρ-παράμετροι | Hyper-parameters
  10. 19
  11. Περιέχει : πίνακες, εικόνες
    • Η αλματώδης ανάπτυξη του Internet της τελευταίες δεκαετίες είναι αδιαμφισβήτητη, ιδιαίτερα με τη μετάβαση στο 5G. Παρατηρείται, όμως ότι δεν έχουν αναπτυχθεί επαρκώς οι κατάλληλες μέθοδοι για την παρακολούθηση διακίνησης των αυξανόμενων πακέτων από τις 5G εφαρμογές, στα δίκτυα τηλεπικοινωνιών. Προκύπτει λοιπόν η αδυναμία εξασφάλισης QoS και QoE παράλληλα με τη βέλτιστη λειτουργία των σταθμών βάσης. Τα τελευταία χρόνια η επιστημονική κοινότητα έχει στραφεί σε τεχνικές και αλγόριθμους βαθιάς μάθησης για την επίλυση δυσεπίλυτων προβλημάτων. Στόχος της συγκεκριμένης διπλωματικής εργασίας είναι να προταθεί βέλτιστο νευρωνικό δίκτυο, το οποίο αφού εκπαιδευτεί να είναι σε θέση να προβλέψει τους διαθέσιμους πόρους του εκάστοτε σταθμού βάσης. Πιο συγκεκριμένα Πραγματοποιείται σύγκριση δύο μοντέλων: ένος LSTM και ενός Conv-LSTM, τα οποία εκπαιδεύονται με το ίδιο dataset. Παράλληλα πραγματοποιούνται πειράματα, για την επιλογή της ιδανικότερης αρχιτεκτονικής τους, αλλά και ορισμού των Hyper-παραμέτρων τους.
    • The rapid growth of the Internet in recent decades is undeniable, especially with the transition to 5G. However, the appropriate methods for monitoring the traffic of increasing packets from 5G applications in telecommunications networks have not been sufficiently developed. Thus, the impossibility of ensuring QoS and QoE in parallel with the optimal operation of the base stations arises. In recent years the scientific community has turned to deep learning techniques and algorithms to solve intractable problems. The aim of this thesis is to propose an optimal neural network, which after being trained, is able to predict the available resources of each base station. More specifically, two models are compared: an LSTM and a Conv-LSTM, which are trained with the same dataset. At the same time, experiments are being carried out to select their ideal architecture but also to define their Hyper-parameters.
  13. Αναφορά Δημιουργού 4.0 Διεθνές