Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18750
Title: Μελέτη και Υλοποίηση Μεθόδων Βαθιάς Μηχανικής Μάθησης για την Πρόβλεψη Δικτυακής Κίνησης
Authors: Καλαϊτζής, Αλέξανδρος
Παπαβασιλείου Συμεών
Keywords: Πρόβλεψη Πίνακα Κίνησης
Πίνακας Κίνησης
Πρόβλεψη Χρονοσειράς
Τεχνητή Νοημοσύνη
Βαθιά Μάθηση
Μηχανική Μάθηση
Νευρωνικά Δίκτυα
ConvLSTM
CNN-LSTM
Issue Date: 19-Jul-2023
Abstract: Η γνώση της δικτυακής κίνησης έχει κομβική σημασία στις μέρες μας. Ωστόσο, παρά την σημασία της παρακολούθησης της κίνησης, οι δικτυακές συσκευές δεν έχουν την δυνατότητα της μέτρησης όλων των δεδομένων σε πραγματικό χρόνο. Για τον λόγο αυτό είναι πολύ σημαντική η πρόβλεψη της μελλοντικής κίνησης του δικτύου. Πολλές λειτουργίες διαχείρισης δικτύου, όπως ο σχεδιασμός του δικτύου και η διαμόρφωση των πολιτικων δρομολόγησης, βασίζονται στην πρόβλεψη μελλοντικής κίνησης. Η κύρια δυσκολία του προβλήματος της πρόβλεψης δικτυακής κίνησης είναι το πως θα μοντελοποιηθούν οι σχέσεις μεταξύ του συνόλου δεδομένων κίνησης, ώστε να μπορεί κανείς να προβλέψει τη μελλοντική κυκλοφορία. Ένας Πίνακας Κίνησης (Traffic Matrix) περιέχει τον όγκο της κυκλοφορίας μεταξύ όλων τον κόμβων ενός δικτύου. Η ανίχνευση και επεξεργασία των χρονικών και χωρικών εξαρτήσεων των πινάκων κίνησης είναι απαραίτητη για την λύση αυτού του προβλήματος. Στην παρούσα διπλωματική εργασία αρχικά περιγράφουμε τη δομή του Πίνακα Κίνησης και τις εφαρμογές του. Έπειτα, περιγράφουμε το πρόβλημα της Εκτίμησης Πίνακα Κίνησης (Traffic Matrix Estimation) και κάνουμε μια αναλυτική αναφορά στον τρόπο αντιμετώπισης αυτού του προβλήματος από παλαιότερες εργασίες. Η κύρια συνεισφορά της εργασίας αυτής είναι η αντιμετώπιση του προβλήματος της Πρόβλεψης Δικτυακής Κίνησης (Traffic Matrix Prediction). Αρχικά, αναφέρονται διάφορες εργασίες και οι τεχνικές που χρησιμοποιήθηκαν για την αντιμετώπιση αυτού του προβλήματος. Οι τεχνικές αυτές διαχωρίζονται σε γραμμικά μοντέλα και σε μοντέλα Νευρωνικών Δικτύων (Neural Networks). Εμείς ασχολούμαστε κυρίως με τα μοντέλα Νευρωνικών Δικτύων καθώς αυτά έχουν την δυνατότητα να ανιχνεύσουν τις χωροχρονικές εξαρτήσεις των δεδομένων. Για τον λόγο αυτό αναλύουμε το θεωρητικό υπόβαθρο των Νευρωνικών Δικτύων και γενικότερα της Μηχανικής Μάθησης (Machine Learning). Στο πρακτικό μέρος της εργασίας, με τη βοήθεια της Βαθιάς Μάθησης (Deep Learning) αναπτύσσουμε και εκπαιδεύουμε 6 μοντέλα, ώστε να επιτευχθούν οι καλύτερες δυνατές προβλέψεις δικτυακής κίνησης. Τα μοντέλα αυτά είναι το ConvLSTM, το CNN-LSTM, το LSTM, το BiLSTM, το GRU και το SimpleRNN. Έπειτα, αξιολογούμε της απόδοσης των προτεινόμενων μεθόδων, χρησιμοποιώντας δύο διαθέσιμα σύνολα δεδομένων που έχουν καταγραφεί σε δύο πραγματικά δίκτυα. Τέλος, αναλύουμε την επίδοση των μοντέλων ως προς την ακρίβεια πρόβλεψης και ως προς τον χρόνο εκπαίδευσης προκειμένου να είναι ξεκάθαρη η αποτελεσματικότητα, οι χρονικές απαιτήσεις και ο όγκος των πόρων που απαιτεί κάθε μοντέλο.
URI: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18750
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File Description SizeFormat 
Thesis_Alexandros_Kalaitzis.pdf6.58 MBAdobe PDFView/Open


Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.