{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3331347"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3331347","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Delay-based routing optimisation in self-defined networks with deep reinforcement learning","abstract":"Η μοντελοποίηση δικτύου είναι ένας βασικός παράγοντας για την επίτευξη αποτελεσματικής λειτουργίας δικτύου, καθοριζόμενη από λογισμικό (SDN). Ωστόσο, η κατασκευή τέτοιων μοντέλων απαιτεί: (1) λειτουργικά δίκτυα ακριβείας, ικανά να παράγουν προβλέψεις για Βασικούς Δείκτες Απόδοσης, όπως η καθυστέρηση πακέτων, η απώλεια πακέτων, κ.λπ., και (2) διαδικασίες εξαγωγής συμπερασμάτων που βασίζονται σε αυτούς τους Δείκτες Απόδοσης για την εφαρμογή πολιτικών δρομολόγησης, π.χ. συντομότερο μονοπάτι, σε μακροσκοπικό επίπεδο, αντί για το μικροσκοπικό επίπεδο που περιορίζεται στην πηγή και προορισμό ενός πακέτου. Σε αυτή την εργασία προτείνουμε ένα μοντέλο που (α) δημιουργεί κυκλοφοριακό φορτίο με έναν προσομοιωτή δικτύου σε επίπεδο πακέτων και (β) αξιοποιεί τα νευρωνικά δίκτυα γράφων για να προβλέψει καθυστερήσεις για ένα μοναδικό μονοπάτι από ένα πηγαίο κόμβο σε έναν τελικό κόμβο, (γ) αθροίζει τις προβλέψεις για καθυστερήσεις ανά πηγή/προορισμό για να λάβει πολλαπλές εναλλακτικές διαδρομές και καθυστερήσεις ως προς όλο το δίκτυο, για ένα μόνο ζεύγος πηγής-προορισμού και τέλος, (δ) αξιοποιεί τη βαθιά ενισχυτική μάθηση για να υπολογίσει τη συντομότερη διαδρομή, ως προς την καθυστέρηση πακέτου, σε μακροσκοπικό επίπεδο.","abstract_html":"Η μοντελοποίηση δικτύου είναι ένας βασικός παράγοντας για την επίτευξη αποτελεσματικής λειτουργίας δικτύου, καθοριζόμενη από λογισμικό (SDN). Ωστόσο, η κατασκευή τέτοιων μοντέλων απαιτεί: (1) λειτουργικά δίκτυα ακριβείας, ικανά να παράγουν προβλέψεις για Βασικούς Δείκτες Απόδοσης, όπως η καθυστέρηση πακέτων, η απώλεια πακέτων, κ.λπ., και (2) διαδικασίες εξαγωγής συμπερασμάτων που βασίζονται σε αυτούς τους Δείκτες Απόδοσης για την εφαρμογή πολιτικών δρομολόγησης, π.χ. συντομότερο μονοπάτι, σε μακροσκοπικό επίπεδο, αντί για το μικροσκοπικό επίπεδο που περιορίζεται στην πηγή και προορισμό ενός πακέτου. Σε αυτή την εργασία προτείνουμε ένα μοντέλο που (α) δημιουργεί κυκλοφοριακό φορτίο με έναν προσομοιωτή δικτύου σε επίπεδο πακέτων και (β) αξιοποιεί τα νευρωνικά δίκτυα γράφων για να προβλέψει καθυστερήσεις για ένα μοναδικό μονοπάτι από ένα πηγαίο κόμβο σε έναν τελικό κόμβο, (γ) αθροίζει τις προβλέψεις για καθυστερήσεις ανά πηγή/προορισμό για να λάβει πολλαπλές εναλλακτικές διαδρομές και καθυστερήσεις ως προς όλο το δίκτυο, για ένα μόνο ζεύγος πηγής-προορισμού και τέλος, (δ) αξιοποιεί τη βαθιά ενισχυτική μάθηση για να υπολογίσει τη συντομότερη διαδρομή, ως προς την καθυστέρηση πακέτου, σε μακροσκοπικό επίπεδο.","abstract_has_math":false,"creators":["Ξαγοράρη Αικατερίνη","Xagorari Aikaterini"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:22:22Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3331347"],"render_values":[{"text":"uoadl:3331347","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3331347","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3331347","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3331347","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ξαγοράρη Αικατερίνη","Xagorari Aikaterini"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3331347","https://pergamos.lib.uoa.gr/uoa/dl/object/3331347"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η μοντελοποίηση δικτύου είναι ένας βασικός παράγοντας για την επίτευξη αποτελεσματικής λειτουργίας δικτύου, καθοριζόμενη από λογισμικό (SDN). Ωστόσο, η κατασκευή τέτοιων μοντέλων απαιτεί: (1) λειτουργικά δίκτυα ακριβείας, ικανά να παράγουν προβλέψεις για Βασικούς Δείκτες Απόδοσης, όπως η καθυστέρηση πακέτων, η απώλεια πακέτων, κ.λπ., και (2) διαδικασίες εξαγωγής συμπερασμάτων που βασίζονται σε αυτούς τους Δείκτες Απόδοσης για την εφαρμογή πολιτικών δρομολόγησης, π.χ. συντομότερο μονοπάτι, σε μακροσκοπικό επίπεδο, αντί για το μικροσκοπικό επίπεδο που περιορίζεται στην πηγή και προορισμό ενός πακέτου. Σε αυτή την εργασία προτείνουμε ένα μοντέλο που (α) δημιουργεί κυκλοφοριακό φορτίο με έναν προσομοιωτή δικτύου σε επίπεδο πακέτων και (β) αξιοποιεί τα νευρωνικά δίκτυα γράφων για να προβλέψει καθυστερήσεις για ένα μοναδικό μονοπάτι από ένα πηγαίο κόμβο σε έναν τελικό κόμβο, (γ) αθροίζει τις προβλέψεις για καθυστερήσεις ανά πηγή/προορισμό για να λάβει πολλαπλές εναλλακτικές διαδρομές και καθυστερήσεις ως προς όλο το δίκτυο, για ένα μόνο ζεύγος πηγής-προορισμού και τέλος, (δ) αξιοποιεί τη βαθιά ενισχυτική μάθηση για να υπολογίσει τη συντομότερη διαδρομή, ως προς την καθυστέρηση πακέτου, σε μακροσκοπικό επίπεδο.","Network modelling is a key enabler to achieve efficient network operation in Self-driving Software-defined Networks (SDNs). However, building such models requires: (i) accurate functional network models able to produce predictions for Key Performance Indicators (KPIs), such as delay, loss, etc., and (ii) inference procedures based on these KPIs to implement routing policies (i.e. shortest path) to a global level, instead of per-source/destination level. In this work, we propose a model that (a) generates traffic with a packet-level network simulator, (b) leverages Graph Neural Networks (GNN) to predict delays for single source-destination paths, (c) aggregates the per-source/destination path predictions to get multiple alternative paths and delays with global information, for a single source-destination pair and finally (d) exploits Deep Reinforcement Learning (DRL) to calculate the shortest path, with respect to packet delay, to a global level."]},{"key":"dc:title","label":"Title","values":["Delay-based routing optimisation in self-defined networks with deep reinforcement learning"]}]}],"canonical_facts":{"dc:creator":["Ξαγοράρη Αικατερίνη","Xagorari Aikaterini"],"dc:date":["2023"],"dc:description":["Η μοντελοποίηση δικτύου είναι ένας βασικός παράγοντας για την επίτευξη αποτελεσματικής λειτουργίας δικτύου, καθοριζόμενη από λογισμικό (SDN). Ωστόσο, η κατασκευή τέτοιων μοντέλων απαιτεί: (1) λειτουργικά δίκτυα ακριβείας, ικανά να παράγουν προβλέψεις για Βασικούς Δείκτες Απόδοσης, όπως η καθυστέρηση πακέτων, η απώλεια πακέτων, κ.λπ., και (2) διαδικασίες εξαγωγής συμπερασμάτων που βασίζονται σε αυτούς τους Δείκτες Απόδοσης για την εφαρμογή πολιτικών δρομολόγησης, π.χ. συντομότερο μονοπάτι, σε μακροσκοπικό επίπεδο, αντί για το μικροσκοπικό επίπεδο που περιορίζεται στην πηγή και προορισμό ενός πακέτου. Σε αυτή την εργασία προτείνουμε ένα μοντέλο που (α) δημιουργεί κυκλοφοριακό φορτίο με έναν προσομοιωτή δικτύου σε επίπεδο πακέτων και (β) αξιοποιεί τα νευρωνικά δίκτυα γράφων για να προβλέψει καθυστερήσεις για ένα μοναδικό μονοπάτι από ένα πηγαίο κόμβο σε έναν τελικό κόμβο, (γ) αθροίζει τις προβλέψεις για καθυστερήσεις ανά πηγή/προορισμό για να λάβει πολλαπλές εναλλακτικές διαδρομές και καθυστερήσεις ως προς όλο το δίκτυο, για ένα μόνο ζεύγος πηγής-προορισμού και τέλος, (δ) αξιοποιεί τη βαθιά ενισχυτική μάθηση για να υπολογίσει τη συντομότερη διαδρομή, ως προς την καθυστέρηση πακέτου, σε μακροσκοπικό επίπεδο.","Network modelling is a key enabler to achieve efficient network operation in Self-driving Software-defined Networks (SDNs). However, building such models requires: (i) accurate functional network models able to produce predictions for Key Performance Indicators (KPIs), such as delay, loss, etc., and (ii) inference procedures based on these KPIs to implement routing policies (i.e. shortest path) to a global level, instead of per-source/destination level. In this work, we propose a model that (a) generates traffic with a packet-level network simulator, (b) leverages Graph Neural Networks (GNN) to predict delays for single source-destination paths, (c) aggregates the per-source/destination path predictions to get multiple alternative paths and delays with global information, for a single source-destination pair and finally (d) exploits Deep Reinforcement Learning (DRL) to calculate the shortest path, with respect to packet delay, to a global level."],"dc:identifier":["uoadl:3331347","https://pergamos.lib.uoa.gr/uoa/dl/object/3331347"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Delay-based routing optimisation in self-defined networks with deep reinforcement learning"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:22:22Z"}