Τα δίκτυα 5G αναμένεται να εξυπηρετούν ένα ευρύ φάσμα διαφορετικών εφαρμογών με διαφορετικές απαιτήσεις και χαρακτηριστικά. Ταυτόχρονα, τεράστιες ποσότητες δεδομένων πλημμυρίζουν τα δίκτυα κινητής τηλεφωνίας. Όλα αυτά τα χαρακτηριστικά κάνουν τα δίκτυα 5G να είναι εξαιρετικά πολύπλοκα, πιο πολύπλοκα από τα δίκτυα προηγούμενων γενεών.
Το όραμα του 5G είναι ότι όλα πρέπει να είναι διαθέσιμα και συνδεδεμένα. Προκειμένου να υλοποιηθεί αυτό το όραμα, δύο βασικές έννοιες διαδραματίζουν σημαντικό ρόλο, η μηχανική μάθηση (machine learning) και ο τεμαχισμός του δικτύου (network slicing). Η μηχανική μάθηση είναι ένα βασικό εργαλείο για το 5G, για να το κάνει προληπτικό και προγνωστικό και ο τεμαχισμός δικτύου είναι μια βασική ιδέα του 5G, η οποία θα επιτρέψει στους φορείς εκμετάλλευσης να μοιράζονται τη φυσική τους υποδομή μεταξύ διαφορετικών ειδικών περιπτώσεων χρήσης πελατών. Αυτές οι περιπτώσεις χρήσης έχουν διαφορετικά χαρακτηριστικά και απαιτήσεις.
Αυτή η διπλωματική εργασία είναι μια πλήρης βιβλιογραφική έρευνα για τον εντοπισμό της υπάρχουσας έρευνας στον τομέα της μηχανικής μάθησης και 5G και ειδικότερα εστιάζεται στην ανάλυση άρθρων γύρω από το πεδίο της μηχανικής μάθησης και του τεμαχισμού του δικτύου 5G. Ο στόχος είναι να αποκτηθεί μια γενική γνώση σχετικά με την τεχνητή νοημοσύνη (artificial intelligence - AI) και την μηχανική μάθηση και πώς η τεχνητή νοημοσύνη και η μηχανική μάθηση μπορούν να χρησιμοποιηθούν στο τεμαχισμό του 5G δικτύου. Προκειμένου να επιτευχθεί αυτός ο στόχος, παρέχεται μια επισκόπηση της τεχνητής νοημοσύνης μαζί με μια εισαγωγή στη μηχανική μάθηση. Στη συνέχεια περιγράφονται οι αλγόριθμοι μηχανικής μάθησης που χρησιμοποιούνται στον τεμαχισμό του 5G δικτύου για να αποκτηθεί η απαραίτητη γνώση. Ακολούθως, περιγράφεται το 5G και γίνεται εκτενής αναφορά σχετικά με τον τρόπο με τον οποίο η μηχανική μάθηση μπορεί να βοηθήσει στο 5G.
Επιπλέον, περιγράφεται ο τεμαχισμός δικτύου και έχει γίνει μια εις βάθος επισκόπηση του κύριου έργου προτυποποίησης γύρω από το τεμαχισμό δικτύου και τη μηχανική μάθηση από διεθνείς οργανισμούς προτυποποίησης. Οι προσπάθειες για προτυποποίηση είναι επικαιροποιημένες μέχρι τα μέσα Σεπτεμβρίου του 2019.
Τέλος, παρουσιάζονται οι κύριες προκλήσεις που αφορούν τον τεμαχισμό δικτύου, μαζί με κάποιες λύσεις που βασίζονται στην μηχανική μάθηση.
5G networks are expected to serve a wide range of different applications with different requirements and characteristics. At the same time, huge amount of data is flooding the mobile networks. All these make 5G networks extreme complex, more complex than previous generation networks.
5G vision is that everything must be available and connected. In order to realize this vision, two key concepts play a major role, Machine Learning (ML) and Network Slicing (NS). Machine learning is an essential tool for 5G, in order to make it proactive and predictive and network slicing is an essential key concept of 5G, which will let operators to share their physical infrastructure among different specific customer use cases. These use cases are with different characteristics and requirements.
This M.Sc. thesis is a detailed literature survey that identifies existing research in the field of machine learning and 5G and in particular focuses on article analysis around the field of machine learning and 5G network slicing. The goal is to get an overall knowledge about Artificial Intelligence (AI) and machine learning and how AI/ML can be used in 5G network slicing. In order to achieve this goal, an overview of AI is given along with an introduction to ML. Subsequently, the ML algorithms that are used in 5G NS are described in order to acquire the necessary knowledge. Then, 5G is described and an extensive report is made on how machine learning can help in 5G.
Additionally, NS is described and an in-depth overview of the main standardization work around NS and ML by international standardization bodies is given. The standardization work efforts are updated by mid-September 2019.
Finally, the main challenges concerning NS are presented along with some solutions that are based on ML.
Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.
Κύρια Αρχεία Διατριβής
Χρήση Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης στην Υποστήριξη του Διαδικτύου των Πραγμάτων και Επικοινωνιών 5ης Γενιάς Περιγραφή: 106344_TSIKKI_AIKATERINI_MARIA.pdf (pdf)
Book Reader Πληροφορίες: primary:true Μέγεθος: 5.8 MB
Χρήση Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης στην Υποστήριξη του Διαδικτύου των Πραγμάτων και Επικοινωνιών 5ης Γενιάς - Identifier: 71530
Internal display of the 71530 entity interconnections (Node labels correspond to identifiers)