| Περίληψη: | Τα δίκτυα για το οικοσύστημα του IoT αποτελούνται από μία πληθώρα
διαφορετικών συσκευών με διαφορετικές λειτουργικές ικανότητες, απαιτήσεις
που αντιμετωπίζουν ένα μεγάλο φάσμα περιβαλλοντικών και τεχνικών
δυσκολιών. Ειδικότερα με τον εκσυγχρονισμό βιομηχανιών και πόλεων, το
πλήθος συσκευών που απαρτίζουν ένα δίκτυο αναμένεται να αυξηθεί δραματικά
και να εμπλουτισθεί με νέες συσκευές. Αυτή η ραγδαία αύξηση στο
αναμενόμενο πλήθος διασυνδεδεμένων συσκευών κάνει επιτακτική την ανάγκη
αποδοτικής διαχείρισης των διαθέσιμων πόρων των δικτύων. Για να είναι
εφικτή η ολοκληρωτική ικανοποίηση όλων των συσκευών που βρίσκονται στο
οικοσύστημα, πρέπει τόσο η υποδομή τους, όσο και οι τεχνολογίες που
αξιοποιούν τα δίκτυα LoRa να μπορούν να ανταποκριθούν στον αναμενόμενο
όγκο συσκευών και στις απαιτήσεις τους. Η Μηχανική Μάθηση έχει ήδη
αξιοποιηθεί σε πολλούς τομείς και η εφαρμογή της στα δίκτυα χαμηλής
συχνότητας αναμένεται να ενισχύσει σημαντικά τις δυνατότητες των δικτύων να
μεγιστοποιήσουν τους διαθέσιμους πόρους που έχουν στη διάθεση τους. Στόχος
της παρούσας διπλωματικής εργασίας είναι η ανάλυση ενσωμάτωσης τεχνικών
Μηχανικής Μάθησης στα δίκτυα LoRa και της παραγωγής μηχανισμών που θα
επιτρέπουν την αποδοτικότερη αξιοποίηση των πόρων του δικτύου.
Συνδυάζοντας τη Μηχανική Μάθηση με τους υπάρχοντες μηχανισμούς,
αναμένουμε τη μεγιστοποίηση αξιοποίησης πόρων που αυτοί οι μηχανισμοί
έχουν αλλά και τη περαιτέρω επέκταση της χωρητικότητας των δικτύων.
|
|---|
