Εφαρμογή τεχνικών μηχανικής μάθησης για ταξινόμηση χρηστών σε δίκτυα 5ης γενιάς
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 αυξαν...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/16413 |
| id |
nemertes-10889-16413 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-164132022-09-05T14:05:45Z Εφαρμογή τεχνικών μηχανικής μάθησης για ταξινόμηση χρηστών σε δίκτυα 5ης γενιάς Application of machine learning techniques for user association in 5th generation networks Χαραλαμπίδης, Μάριος Charalambides, Marios Μηχανική μάθηση Δίκτυα πέμπτης γενιάς Συσταδοποίηση Ανάπτυξη εφαρμογών Προσομοίωση δικτύων Machine learning 5G Clustering Application development Network simulation 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. 5th Generation Mobile Networks are the latest technology in the world of Mobile Telephony Networks. They have the ability to offer increased speeds, stable and reliable connections, minimal latency and more coverage on the number of connected devices. This increasing coverage has resulted in Base Stations becoming more and more dense. 5G is now able to offer new technologies such as Multiple-Input and Multiple-Output (MIMO), Downlink and Uplink Decoupling (DUDe) and Machine Learning (ML) utilization. These technologies have greatly contributed to the optimization of issues such as Classification and Assignment of Users to Base Stations as well as the management of resources within their network. In this paper we will present how various Machine Learning Techniques, such as Clustering Algorithms and Regression Algorithms, can work side by side for the better user engagement leading to higher data rates and greater coverage of devices on a mobile communication network, sampled from real user data. For the purposes of this dissertation, a simulation environment has been developed that assigns to User Equipment and Base Stations real geolocation coordinates and estimated metrics of mobile networks. 2022-07-07T08:47:01Z 2022-07-07T08:47:01Z 2022-07-05 http://hdl.handle.net/10889/16413 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μηχανική μάθηση Δίκτυα πέμπτης γενιάς Συσταδοποίηση Ανάπτυξη εφαρμογών Προσομοίωση δικτύων Machine learning 5G Clustering Application development Network simulation |
| spellingShingle |
Μηχανική μάθηση Δίκτυα πέμπτης γενιάς Συσταδοποίηση Ανάπτυξη εφαρμογών Προσομοίωση δικτύων Machine learning 5G Clustering Application development Network simulation Χαραλαμπίδης, Μάριος Εφαρμογή τεχνικών μηχανικής μάθησης για ταξινόμηση χρηστών σε δίκτυα 5ης γενιάς |
| description |
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. |
| author2 |
Charalambides, Marios |
| author_facet |
Charalambides, Marios Χαραλαμπίδης, Μάριος |
| author |
Χαραλαμπίδης, Μάριος |
| author_sort |
Χαραλαμπίδης, Μάριος |
| title |
Εφαρμογή τεχνικών μηχανικής μάθησης για ταξινόμηση χρηστών σε δίκτυα 5ης γενιάς |
| title_short |
Εφαρμογή τεχνικών μηχανικής μάθησης για ταξινόμηση χρηστών σε δίκτυα 5ης γενιάς |
| title_full |
Εφαρμογή τεχνικών μηχανικής μάθησης για ταξινόμηση χρηστών σε δίκτυα 5ης γενιάς |
| title_fullStr |
Εφαρμογή τεχνικών μηχανικής μάθησης για ταξινόμηση χρηστών σε δίκτυα 5ης γενιάς |
| title_full_unstemmed |
Εφαρμογή τεχνικών μηχανικής μάθησης για ταξινόμηση χρηστών σε δίκτυα 5ης γενιάς |
| title_sort |
εφαρμογή τεχνικών μηχανικής μάθησης για ταξινόμηση χρηστών σε δίκτυα 5ης γενιάς |
| publishDate |
2022 |
| url |
http://hdl.handle.net/10889/16413 |
| work_keys_str_mv |
AT charalampidēsmarios epharmogētechnikōnmēchanikēsmathēsēsgiataxinomēsēchrēstōnsediktya5ēsgenias AT charalampidēsmarios applicationofmachinelearningtechniquesforuserassociationin5thgenerationnetworks |
| _version_ |
1771297225414017024 |
