{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3338112"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3338112","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Υλοποίηση ροών μηχανικής μάθησης για την πρόβλεψη κίνησης σε δίκτυα 5ης γενιάς","abstract":"Κύριος 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.","abstract_html":"Κύριος 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.","abstract_has_math":false,"creators":["Πετρόπουλος Ευάγγελος","Petropoulos Evangelos"],"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":"2026-11-19T06:22:58Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3338112"],"render_values":[{"text":"uoadl:3338112","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3338112","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3338112","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%3A3338112","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Πετρόπουλος Ευάγγελος","Petropoulos Evangelos"]}]},{"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":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3338112","https://pergamos.lib.uoa.gr/uoa/dl/object/3338112"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Κύριος 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.","The primary objective of this master thesis is to study, implement, and optimize machine learning models in 5th generation (5G) mobile communication networks in order to achieve optimal management of computational and network resources in relevant infrastructures. This resource management is based on observing the resources’ usage and applying machine learning techniques to predict the future needs of the infrastructure for these resources. In this context, the thesis begins with a brief introduction to the architecture and advantages of a 5G mobile communication network, as well as the monitoring/surveillance systems for 5G networks. Then, the field of machine learning and the Python programming language, which is used for implementing machine learning models, are introduced. Moreover, this thesis includes a presentation of a concise and illustrative guide for implementing an active 5G mobile communication network monitored by a data monitoring system. This network is monitored in terms of the consumption of computational and network resources using the node_cpu_seconds_total and node_network_receive_bytes_total metrics. These metrics represent the total time the CPU consumes for interrupts due to the 5G Network and the total bytes received at the 5G Network's UPF (User Plane Function) element from base stations (gNB), respectively. The data from these metrics are collected as time series and stored in a database. Python programming language is used to retrieve the time series data from the database, implement and optimize the accuracy of machine learning models Gated Recurrent Unit Network (GRU), Long Short-Term Memory Network (LSTM), Convolutional Neural Network (CNN), and Multi-layer Perceptron (MLP). These models predict the evolution of the two metrics over time. Also, python programming language is used to develop a graphic user interface that facilitates easy data retrieval from the database, machine learning model optimization and visualization of the results. Finally, the research process for optimizing the GRU, LSTM, CNN, and MLP machine learning models to predict the evolution of the node_cpu_seconds_total and node_network_receive_bytes_total metrics with the highest possible accuracy, is presented. The results of the present study lead to the identification of the optimal machine learning model, capable of accurately predicting the evolution of these metrics, which represent the network traffic of the 5G system. Using the loss function evaluation criterion, MLP emerges as the optimal machine learning model for the node_cpu_seconds_total metric, while the GRU emerges as the optimal model for the node_network_receive_bytes_total metric."]},{"key":"dc:title","label":"Title","values":["Υλοποίηση ροών μηχανικής μάθησης για την πρόβλεψη κίνησης σε δίκτυα 5ης γενιάς"]}]}],"canonical_facts":{"dc:creator":["Πετρόπουλος Ευάγγελος","Petropoulos Evangelos"],"dc:date":["2023"],"dc:description":["Κύριος 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.","The primary objective of this master thesis is to study, implement, and optimize machine learning models in 5th generation (5G) mobile communication networks in order to achieve optimal management of computational and network resources in relevant infrastructures. This resource management is based on observing the resources’ usage and applying machine learning techniques to predict the future needs of the infrastructure for these resources. In this context, the thesis begins with a brief introduction to the architecture and advantages of a 5G mobile communication network, as well as the monitoring/surveillance systems for 5G networks. Then, the field of machine learning and the Python programming language, which is used for implementing machine learning models, are introduced. Moreover, this thesis includes a presentation of a concise and illustrative guide for implementing an active 5G mobile communication network monitored by a data monitoring system. This network is monitored in terms of the consumption of computational and network resources using the node_cpu_seconds_total and node_network_receive_bytes_total metrics. These metrics represent the total time the CPU consumes for interrupts due to the 5G Network and the total bytes received at the 5G Network's UPF (User Plane Function) element from base stations (gNB), respectively. The data from these metrics are collected as time series and stored in a database. Python programming language is used to retrieve the time series data from the database, implement and optimize the accuracy of machine learning models Gated Recurrent Unit Network (GRU), Long Short-Term Memory Network (LSTM), Convolutional Neural Network (CNN), and Multi-layer Perceptron (MLP). These models predict the evolution of the two metrics over time. Also, python programming language is used to develop a graphic user interface that facilitates easy data retrieval from the database, machine learning model optimization and visualization of the results. Finally, the research process for optimizing the GRU, LSTM, CNN, and MLP machine learning models to predict the evolution of the node_cpu_seconds_total and node_network_receive_bytes_total metrics with the highest possible accuracy, is presented. The results of the present study lead to the identification of the optimal machine learning model, capable of accurately predicting the evolution of these metrics, which represent the network traffic of the 5G system. Using the loss function evaluation criterion, MLP emerges as the optimal machine learning model for the node_cpu_seconds_total metric, while the GRU emerges as the optimal model for the node_network_receive_bytes_total metric."],"dc:identifier":["uoadl:3338112","https://pergamos.lib.uoa.gr/uoa/dl/object/3338112"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Υλοποίηση ροών μηχανικής μάθησης για την πρόβλεψη κίνησης σε δίκτυα 5ης γενιάς"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:22:58Z"}