Συγκριτική Μελέτη Αλγορίθμων Μηχανικής Μάθησης (ML) για τη Δυναμική Ανάθεση Ραδιοπόρων σε Κυψελωτά Δίκτυα Επόμενης Γενιάς (5G and Beyond)

Abstract

Σκοπός της παρούσας εργασίας λοιπόν είναι η εφαρμογή διαφόρων αλγορίθμων Μηχανικής Μάθησης για την ανάθεση και διαχείριση ραδιοπόρων (συχνοτήτων και υποφερόντων) σε κυψελωτά δίκτυα επικοινωνιών νέας γενιάς και, ως εκ τούτου, η συγκριτική αποτίμησή τους. Πιο συγκεκριμένα, στο Κεφάλαιο 1 πραγματοποιείται μια αναδρομή της ιστορικής πορείας εξέλιξης των ασύρματων δικτύων επικοινωνιών, καθώς και επισκόπηση των βασικών χαρακτηριστικών κάθε γενιάς, με έμφαση στα δίκτυα 5G/Β5G. Στο Κεφάλαιο 2 παρουσιάζονται οι βασικές αρχές που διέπουν τα ασύρματα τηλεπικοινωνιακά συστήματα, με μια λεπτομερέστερη επισκόπηση των κυψελωτών συστημάτων. Ενώ στο Κεφάλαιο 3 εισάγονται οι έννοιες της Μηχανικής Μάθησης, με την παρουσίαση της βασικής κατηγοριοποίησης των διαφόρων τύπων μάθησης. Επιπλέον, παρουσιάζεται το θεωρητικό υπόβαθρο και η μαθηματική μοντελοποίηση των αλγορίθμων που χρησιμοποιούνται στην μελέτη του προβλήματος της ανάθεσης ραδιοπόρων (radio resource allocation - RRM) σε δυναμικές τοπολογίες 5G/B5G. Στο Κεφάλαιο 4 επικεντρωνόμαστε στην υλοποίηση του κυψελωτού δικτύου που χρησιμοποιήθηκε στα πλαίσια της εργασίας, και στην επιλογή των αλγορίθμων και τεχνικών Μηχανικής Μάθησης που αξιοποιήθηκαν για την ανάθεση των υποφερόντων του δικτύου στους χρήστες. Ιδιαίτερη έμφαση δίνεται στην προεπεξεργασία των δεδομένων που λαμβάνονται από το κυψελωτό δίκτυο, καθώς και στην παραμετροποίηση του συνελικτικού νευρωνικού δικτύου που χρησιμοποιήθηκε. Τέλος, στο Κεφάλαιο 5 γίνεται παρουσίαση των αποτελεσμάτων που προέκυψαν , με σύγκριση διαφορετικών συνόλων δεδομένων εισόδου αλλά και παραμετροποίησης των νευρωνικών μας δικτύων. Από κάθε σύγκριση εξάγονται ανάλογα συμπεράσματα, ενώ στο 6ο κεφάλαιο γίνεται μια σύνοψη των αποτελεσμάτων εξήχθησαν και προτάσεις για μελλοντική μελέτη και προεκτάσεις του θέματος.