Εφαρμογή Μεθόδων Ενισχυτικής Μάθησης Σε Κατανεμημένα Γνωστικά Δίκτυα

Abstract

Η ραγδαία αύξηση της ζήτησης για φάσμα ραδιοσυχνοτήτων και ο τρόπος διάθεσης του έχει οδηγήσει σε υψηλή συμφόρηση στο μη αδειοδοτημένο φάσμα, αλλά και σε υποχρησιμοποίηση του αδειοδοτημένου. Αυτή η κατάσταση, με τη σειρά της, οδηγεί στην ανάγκη ανάπτυξης τεχνολογιών γνωστικών ραδιοεπικοινωνιών και γνωστικών δικτύων, οι οποίες εκμεταλλεύονται αποτελεσματικότερα το διαθέσιμο ηλεκτρομαγνητικό φάσμα. Σκοπός της εργασίας είναι η μελέτη της εφαρμογής ενισχυτικής μάθησης στην διαδικασία επιλογής καναλιού των γνωστικών ραδιοσυσκευών. Αρχικά παρουσιάζεται το αντικείμενο των γνωστικών ραδιοεπικοινωνιών και των γνωστικών δικτύων, καθώς και της ενισχυτικής μάθησης. Για τη μελέτη των εφαρμογών της ενισχυτικής μάθησης στα γνωστικά δίκτυα δημιουργήθηκε προσομοιωτής σε γλώσσα C#, με τη βοήθεια του οποίου εξάγονται αποτελέσματα και συμπεράσματα για ήδη υπάρχουσες εφαρμογές ενισχυτικής μάθησης σε γνωστικά δίκτυα. Επίσης προτείνονται βελτιώσεις σε αυτές τις εφαρμογές και αξιολογείται η αποτελεσματικότητα τους. The high demand of RF spectrum and the way it is assigned to various users has led to high congestion in the unlicensed spectrum as well as underutilization of the licensed spectrum. In turn, this situation leads to the need of developing cognitive radio and cognitive network technologies, which are able to use the entire available spectrum, licensed and unlicensed, in a more efficient fashion. The purpose of this thesis is the study of reinforcement learning application in the channel decision process of cognitive radios. Firstly, the principles of cognitive radios, cognitive networks and reinforcement learning are presented. For the study of the application of reinforcement learning on cognitive networks a simulating environment was developed, in C#, which is used to obtain results and reach conclusions for existing applications. Furthermore, improvements in these applications are proposed and evaluated.