National and Kapodistrian University of Athens
Υλοποίηση ροών μηχανικής μάθησης για την πρόβλεψη κίνησης σε δίκτυα 5ης γενιάς
Abstract
dc:descriptionΚύριος στόχος της συγκεκριμένης μεταπτυχιακής εργασίας είναι η μελέτη, υλοποίηση και βελτιστοποίηση μοντέλων μηχανικής μάθησης σε δίκτυα κινητών επικοινωνιών 5ης γενεάς (5G), ώστε να επιτευχθεί η βέλτιστη διαχείριση των υπολογιστικών και δικτυακών πόρων των σχετικών υποδομών. Η βέλτιστη αυτή διαχείριση πόρων στηρίζεται στην παρατήρηση χρήσης τους και την εφαρμογή τεχνικών μηχανικής μάθησης προκειμένου να προβλεφθούν οι μελλοντικές ανάγκες της υποδομής σε αυτούς τους πόρους. Σε αυτό το πλαίσιο αρχικά γίνεται μια σύντομη αναφορά στην αρχιτεκτονική και τα πλεονεκτήματα ενός δικτύου κινητών επικοινωνιών 5G, ενώ περιγράφονται και τα συστήματα παρακολούθησης/επιτήρησης των δικτύων 5G. Στη συνέχεια παρατίθεται μια εισαγωγή του πεδίου της μηχανικής μάθησης καθώς και της γλώσσας προγραμματισμού python που αξιοποιείται για την εφαρμογή μοντέλων μηχανικής μάθησης. Η εργασία συμπεριλαμβάνει επίσης την παρουσίαση ενός σύντομου και παραστατικού οδηγού για την υλοποίηση ενός ενεργού δικτύου κινητών επικοινωνιών 5G που επιτηρείται από ένα σύστημα παρακολούθησης δεδομένων. Πιο συγκεκριμένα το δίκτυο αυτό παρακολουθείται ως προς την κατανάλωση υπολογιστικών και δικτυακών πόρων μέσω των μετρικών (metrics) node_cpu_seconds_total και node_network_receive_bytes_total, οι οποίες αντιστοιχούν στο συνολικό χρόνο που καταναλώνει ο επεξεργαστής (CPU) για interrupts λόγω του Δικτύου 5G και στα συνολικά bytes που λαμβάνονται στο UPF στοιχείο του Δικτύου 5G από τους σταθμούς βάσης (gNB). Οι μετρικές αυτές συλλέγονται με τη μορφή χρονοσειρών και αποθηκεύονται σε μια βάση δεδομένων. Η ανάκτηση των χρονοσειρών των δύο μετρικών από την βάση δεδομένων, πραγματοποιείται με κώδικα που υλοποιήθηκε σε γλώσσα προγραμματισμού python. Η ίδια γλώσσα προγραμματισμού χρησιμοποιείται και για την υλοποίηση και βελτιστοποίηση ως προς την ακρίβεια πρόβλεψης των μοντέλων μηχανικής μάθησης Gated Recurrent Unit Network (GRU), Long Short-Term Memory Network (LSTM), Convolutional Neural Network (CNN) και Multi-layer Perceptron (MLP), τα οποία προβλέπουν την εξέλιξη των δύο μετρικών στο χρόνο. Επίσης η γλώσσα προγραμματισμού python αξιοποιείται και για την ανάπτυξη μιας γραφικής διεπαφής χρήστη που επιτρέπει την εύκολή ανάκτηση των δεδομένων χρονοσειρών από την βάση δεδομένων, την βελτιστοποίηση των μοντέλων καθώς και την εικονικοποίηση των αποτελεσμάτων. Τέλος παρουσιάζεται η ερευνητική διαδικασία βελτιστοποίησης των μοντέλων μηχανικής μάθησης GRU, LSTM, CNN και MLP ώστε αυτά να προβλέπουν με την μεγαλύτερη δυνατή ακρίβεια, την εξέλιξη στον χρόνο των node_cpu_seconds_total και node_network_receive_bytes_total μετρικών. Πιο συγκεκριμένα σε κάθε χρονοσειρά μιας μετρικής εφαρμόζεται ένα μοντέλο μηχανικής μάθησης, για το οποίο μέσω μιας διαδικασίας βελτιστοποίησης βρίσκονται οι βέλτιστες παράμετροι (υπερπαραμέτροι) του μοντέλου, ώστε αυτό να προβλέπει με όσο το δυνατόν μεγαλύτερη ακρίβεια την εξέλιξη της χρονοσειράς στον χρόνο. Η διαδικασία αυτή επαναλαμβάνεται για τα τέσσερα μοντέλα και τις δύο μετρικές που αναφέρθηκαν παραπάνω. Τα αποτελέσματα της παρούσας μελέτης οδηγούν στην εύρεση του βέλτιστου μοντέλου μηχανικής μάθησης, το οποίο είναι ικανό να προβλέπει με μεγάλη ακρίβεια την εξέλιξη των χρονοσειρών των δύο προαναφερθέντων μετρικών, που αντιπροσωπεύουν την δικτυακή κίνηση του συστήματος 5G. Χρησιμοποιώντας ως κριτήριο αξιολόγησης την τιμή της loss συνάρτησης, βέλτιστο μοντέλο μηχανικής μάθησης για την μετρική node_cpu_seconds_total αναδείχθηκε το MLP ενώ για την μετρική node_network_receive_bytes_total αναδείχθηκε το GRU.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Πετρόπουλος Ευάγγελος
- Petropoulos Evangelos
Subjects
dc:subject × 2Rights
- Language dc:language
- Ελληνικά, Greek
Identifiers
dc:identifier.*- Identifier
- uoadl:3338112