| Περίληψη: | Τα Κινητά Δίκτυα 5ης Γενιάς αποτελούν την τελευταία τεχνολογία στον κόσμο των Δικτύων Κινητής Τηλεφωνίας. Έχουν την δυνατότητα να προσφέρουν αυξανόμενες ταχύτητες, σταθερές και αξιόπιστες συνδέσεις, ελάχιστη καθυστέρηση και περισσότερη κάλυψη ως προς το πλήθος των συνδεδεμένων συσκευών. Αυτή η αυξανόμενη κάλυψη έχει ως αποτέλεσμα οι Σταθμοί Βάσης να γίνονται όλο και πιο πυκνοί. Το 5G πλέον είναι σε θέση να προσφέρει νέες τεχνολογίες όπως Multiple-Input και Multiple-Output (MIMO), Downlink και Uplink Decoupling (DUDe) και ενσωμάτωση Μηχανικής Μάθησης (ML). Αυτές οι τεχνολογίες έχουν συνεισφέρει σε μεγάλο βαθμός στην βελτιστοποίηση θεμάτων όπως την Ταξινόμηση και Ανάθεση Χρηστών σε Δίκτυα 5G αλλά και την διαχείριση των πόρων εντός τους δικτύου. Αυτό που θα επιχειρήσουμε να δείξουμε είναι πως διάφορες Τεχνικές Μηχανικής Μάθησης όπως Αλγόριθμοι Συσταδοποίησης και Αλγόριθμοι Παλινδρόμησης μπορούν να συνεργαστούν για την καλύτερη ανάθεση των χρηστών, οδηγώντας σε μεγαλύτερους ρυθμούς αποστολής δεδομένων και μεγαλύτερη κάλυψη συσκευών. Η εφαρμογή έχει γίνει σε ένα κινητό δίκτυο επικοινωνίας που έχει δειγµατοληπτηθεί από δεδομένα πραγματικών χρηστών. Για τους σκοπούς αυτής της διπλωματικής έχει αναπτυχθεί ένα περιβάλλον προσομοίωσης που αναπαριστά Συσκευές Χρηστών και Σταθμούς βάσης σε πραγματικές συντεταγμένες κάνοντας εφικτή την μελέτη μετρικών ποιότητας κινητών δικτύων σε σενάρια πραγματικού περιβάλλοντος.
|
|---|
