Μελέτη μηχανικής μάθησης για δίκτυα LoRa
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 π...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/15020 |
| id |
nemertes-10889-15020 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-150202022-09-05T20:41:48Z Μελέτη μηχανικής μάθησης για δίκτυα LoRa Study of machine learning in LoRa networks Τσάφος, Εμμανουήλ Tsafos, Emmanouil Δίκτυα Μηχανική μάθηση Δικτυακοί πόροι Ταξινόμηση Machine learning LoRa LoRaWAN 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. Networks for the IoT ecosystem consist of a variety of different devices with different operational capabilities and requirements that face a wide range of environmental and technical difficulties. In particular, with the modernization of industries and cities, the number of devices that make up a network is expected to increase dramatically and be enriched with new devices. This rapid increase in the expected number of interconnected devices makes it imperative to efficiently manage the available network resources. In order to be fully satisfied with all the devices in the ecosystem, both their infrastructure and the technologies used by the LoRaWAN networks must be able to meet the expected volume of devices and their requirements. Machine Learning has already been utilized in many areas and its application in low frequency networks is expected to significantly enhance the capabilities of networks to maximize the available resources at their disposal. The aim of this dissertation is the integration of Machine Learning techniques in LoRa networks and the configuring of mechanisms that will allow the most efficient use of network resources. Combining Machine Learning with the existing mechanisms, we expect the maximization of resources that these mechanisms have but also the further expansion of the capacity of the networks. 2021-07-15T06:01:12Z 2021-07-15T06:01:12Z 2021-07-14 http://hdl.handle.net/10889/15020 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Δίκτυα Μηχανική μάθηση Δικτυακοί πόροι Ταξινόμηση Machine learning LoRa LoRaWAN |
| spellingShingle |
Δίκτυα Μηχανική μάθηση Δικτυακοί πόροι Ταξινόμηση Machine learning LoRa LoRaWAN Τσάφος, Εμμανουήλ Μελέτη μηχανικής μάθησης για δίκτυα LoRa |
| description |
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. |
| author2 |
Tsafos, Emmanouil |
| author_facet |
Tsafos, Emmanouil Τσάφος, Εμμανουήλ |
| author |
Τσάφος, Εμμανουήλ |
| author_sort |
Τσάφος, Εμμανουήλ |
| title |
Μελέτη μηχανικής μάθησης για δίκτυα LoRa |
| title_short |
Μελέτη μηχανικής μάθησης για δίκτυα LoRa |
| title_full |
Μελέτη μηχανικής μάθησης για δίκτυα LoRa |
| title_fullStr |
Μελέτη μηχανικής μάθησης για δίκτυα LoRa |
| title_full_unstemmed |
Μελέτη μηχανικής μάθησης για δίκτυα LoRa |
| title_sort |
μελέτη μηχανικής μάθησης για δίκτυα lora |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/15020 |
| work_keys_str_mv |
AT tsaphosemmanouēl meletēmēchanikēsmathēsēsgiadiktyalora AT tsaphosemmanouēl studyofmachinelearninginloranetworks |
| _version_ |
1771297338018496512 |
