{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3338320"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3338320","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"A Safe Reinforcement Learning Approach for Energy Efficient Federated Learning in Wireless Communication Networks","abstract":"Με την συνεχώς αυξανόμενη πολυπλοκότητα των επερχόμενων κινητών δικτύων, λόγω της εξάπλωσης των ετερογενών συνδεδεμένων συσκευών και της συνεχούς αύξησης της υπολογιστικής απόδοσης, η ύπαρξη ενός πλαισίου Τεχνητής Νοημοσύνης (ΤΝ) για την αυτοματοποίηση του δικτυακού συστήματος είναι μείζονος σημασίας. Ωστόσο, καθώς προχωράμε προς την εποχή της Δικτυακής Νοημοσύνης, η οποία επιτρέπει τη νοημοσύνη στη συσκευή, προκύπτει ήδη η ανάγκη για ένα νέο πρότυπο δικτύωσης που είναι ενισχυμένο από τη ΤΝ και θα αναγνωρίζει τις ποικίλες και ετερογενείς οντότητες του δικτύου, μαζί με τις αντίστοιχες υπολογιστικές τους δυνατότητες, για να υποστηρίζει ένα τέτοιο πολύπλοκο δικτυακό σύστημα με ΤΝ. Αρχικά, η παρούσα διπλωματική παρουσιάζει μια ανασκόπηση των πιο σύγχρονων λύσεων ΤΝ για επικοινωνίες επικεντρωμένες στην υπολογιστική ισχύ, με έμφαση στο τομέα της ενέργειας. Από την ανάλυση των πιο σύγχρονων τεχνολογιών, παρατηρείται εύκολα ότι ένα πλαίσιο ΤΝ, γνωστό ως Ομοσπονδιακή Μάθηση (ΟΜ), είναι μια αναδυόμενη τεχνική. Στη συνέχεια, παρουσιάζεται μια εκτενής περιγραφή του δικτυακού συστήματος, παρέχοντας έναν συνεκτικό μοντέλο συστήματος. Επίσης, παρέχεται μια εκτενής περιγραφή του διαμορφωμένου προβλήματος προς ένα δικτυακό σύστημα καθοδηγούμενο από τη ΤΝ. Προς αυτόν τον σκοπό, προτείνεται η λύση του Soft Actor Critic (SAC) Ενισχυτικής Μάθησης (ΕΜ) που στοχεύει στην ελαχιστοποίηση της συνολικής κατανάλωσης ενέργειας μίας τεχνολογίας ΟΜ. Η αποτελεσματικότητα της προτεινόμενης μεθόδου παρουσιάζεται με αποτελέσματα που συγκρίνονται με τρεις προηγμένες λύσεις.","abstract_html":"Με την συνεχώς αυξανόμενη πολυπλοκότητα των επερχόμενων κινητών δικτύων, λόγω της εξάπλωσης των ετερογενών συνδεδεμένων συσκευών και της συνεχούς αύξησης της υπολογιστικής απόδοσης, η ύπαρξη ενός πλαισίου Τεχνητής Νοημοσύνης (ΤΝ) για την αυτοματοποίηση του δικτυακού συστήματος είναι μείζονος σημασίας. Ωστόσο, καθώς προχωράμε προς την εποχή της Δικτυακής Νοημοσύνης, η οποία επιτρέπει τη νοημοσύνη στη συσκευή, προκύπτει ήδη η ανάγκη για ένα νέο πρότυπο δικτύωσης που είναι ενισχυμένο από τη ΤΝ και θα αναγνωρίζει τις ποικίλες και ετερογενείς οντότητες του δικτύου, μαζί με τις αντίστοιχες υπολογιστικές τους δυνατότητες, για να υποστηρίζει ένα τέτοιο πολύπλοκο δικτυακό σύστημα με ΤΝ. Αρχικά, η παρούσα διπλωματική παρουσιάζει μια ανασκόπηση των πιο σύγχρονων λύσεων ΤΝ για επικοινωνίες επικεντρωμένες στην υπολογιστική ισχύ, με έμφαση στο τομέα της ενέργειας. Από την ανάλυση των πιο σύγχρονων τεχνολογιών, παρατηρείται εύκολα ότι ένα πλαίσιο ΤΝ, γνωστό ως Ομοσπονδιακή Μάθηση (ΟΜ), είναι μια αναδυόμενη τεχνική. Στη συνέχεια, παρουσιάζεται μια εκτενής περιγραφή του δικτυακού συστήματος, παρέχοντας έναν συνεκτικό μοντέλο συστήματος. Επίσης, παρέχεται μια εκτενής περιγραφή του διαμορφωμένου προβλήματος προς ένα δικτυακό σύστημα καθοδηγούμενο από τη ΤΝ. Προς αυτόν τον σκοπό, προτείνεται η λύση του Soft Actor Critic (SAC) Ενισχυτικής Μάθησης (ΕΜ) που στοχεύει στην ελαχιστοποίηση της συνολικής κατανάλωσης ενέργειας μίας τεχνολογίας ΟΜ. Η αποτελεσματικότητα της προτεινόμενης μεθόδου παρουσιάζεται με αποτελέσματα που συγκρίνονται με τρεις προηγμένες λύσεις.","abstract_has_math":false,"creators":["Πετροπουλέας Νικόλαος","Petropouleas Nikolaos"],"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":"2026-11-19T06:23:00Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","English","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3338320"],"render_values":[{"text":"uoadl:3338320","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3338320","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3338320","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%3A3338320","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Πετροπουλέας Νικόλαος","Petropouleas Nikolaos"]}]},{"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":["Ελληνικά","English","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3338320","https://pergamos.lib.uoa.gr/uoa/dl/object/3338320"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Με την συνεχώς αυξανόμενη πολυπλοκότητα των επερχόμενων κινητών δικτύων, λόγω της εξάπλωσης των ετερογενών συνδεδεμένων συσκευών και της συνεχούς αύξησης της υπολογιστικής απόδοσης, η ύπαρξη ενός πλαισίου Τεχνητής Νοημοσύνης (ΤΝ) για την αυτοματοποίηση του δικτυακού συστήματος είναι μείζονος σημασίας. Ωστόσο, καθώς προχωράμε προς την εποχή της Δικτυακής Νοημοσύνης, η οποία επιτρέπει τη νοημοσύνη στη συσκευή, προκύπτει ήδη η ανάγκη για ένα νέο πρότυπο δικτύωσης που είναι ενισχυμένο από τη ΤΝ και θα αναγνωρίζει τις ποικίλες και ετερογενείς οντότητες του δικτύου, μαζί με τις αντίστοιχες υπολογιστικές τους δυνατότητες, για να υποστηρίζει ένα τέτοιο πολύπλοκο δικτυακό σύστημα με ΤΝ. Αρχικά, η παρούσα διπλωματική παρουσιάζει μια ανασκόπηση των πιο σύγχρονων λύσεων ΤΝ για επικοινωνίες επικεντρωμένες στην υπολογιστική ισχύ, με έμφαση στο τομέα της ενέργειας. Από την ανάλυση των πιο σύγχρονων τεχνολογιών, παρατηρείται εύκολα ότι ένα πλαίσιο ΤΝ, γνωστό ως Ομοσπονδιακή Μάθηση (ΟΜ), είναι μια αναδυόμενη τεχνική. Στη συνέχεια, παρουσιάζεται μια εκτενής περιγραφή του δικτυακού συστήματος, παρέχοντας έναν συνεκτικό μοντέλο συστήματος. Επίσης, παρέχεται μια εκτενής περιγραφή του διαμορφωμένου προβλήματος προς ένα δικτυακό σύστημα καθοδηγούμενο από τη ΤΝ. Προς αυτόν τον σκοπό, προτείνεται η λύση του Soft Actor Critic (SAC) Ενισχυτικής Μάθησης (ΕΜ) που στοχεύει στην ελαχιστοποίηση της συνολικής κατανάλωσης ενέργειας μίας τεχνολογίας ΟΜ. Η αποτελεσματικότητα της προτεινόμενης μεθόδου παρουσιάζεται με αποτελέσματα που συγκρίνονται με τρεις προηγμένες λύσεις.","With the ever increasing complexity of the upcoming mobile cellular networks, due to the proliferation of connected heterogeneous end devices, and the constant increase in computing performance, the existence of an Artificial Intelligence (AI) - Driven framework for network system automation is of high importance. However, as progressing towards the Network Intelligentization era, which enables on-device intelligence, a necessity can already be identified for a novel AI-enabled networking paradigm that will identify the diverse and heterogeneous network entities along with their respective computing capabilities towards supporting such complex AI-enabled network system. Initially, this thesis provides a presentation of the state-of-the-art AI solutions for computation-oriented communications, focusing on the energy aspect. From the state-of-the-art analysis, it is easily observed that a well-known AI framework, namely the Federated Learning (FL) is an emerging technique. Next, an extensive description of the network system is presented, while providing a comprehensive system model. An extensive description of the problem formulation towards a AI-driven networking system is also provided. To this end, a Soft Actor Critic (SAC) Reinforcement Learning (RL) solution is proposed targeting the minimization of the overall energy consumption of a FL process. The effectiveness of the proposed scheme is presented with results compared to three state-of-the-art baseline solutions."]},{"key":"dc:title","label":"Title","values":["A Safe Reinforcement Learning Approach for Energy Efficient Federated Learning in Wireless Communication Networks"]}]}],"canonical_facts":{"dc:creator":["Πετροπουλέας Νικόλαος","Petropouleas Nikolaos"],"dc:date":["2023"],"dc:description":["Με την συνεχώς αυξανόμενη πολυπλοκότητα των επερχόμενων κινητών δικτύων, λόγω της εξάπλωσης των ετερογενών συνδεδεμένων συσκευών και της συνεχούς αύξησης της υπολογιστικής απόδοσης, η ύπαρξη ενός πλαισίου Τεχνητής Νοημοσύνης (ΤΝ) για την αυτοματοποίηση του δικτυακού συστήματος είναι μείζονος σημασίας. Ωστόσο, καθώς προχωράμε προς την εποχή της Δικτυακής Νοημοσύνης, η οποία επιτρέπει τη νοημοσύνη στη συσκευή, προκύπτει ήδη η ανάγκη για ένα νέο πρότυπο δικτύωσης που είναι ενισχυμένο από τη ΤΝ και θα αναγνωρίζει τις ποικίλες και ετερογενείς οντότητες του δικτύου, μαζί με τις αντίστοιχες υπολογιστικές τους δυνατότητες, για να υποστηρίζει ένα τέτοιο πολύπλοκο δικτυακό σύστημα με ΤΝ. Αρχικά, η παρούσα διπλωματική παρουσιάζει μια ανασκόπηση των πιο σύγχρονων λύσεων ΤΝ για επικοινωνίες επικεντρωμένες στην υπολογιστική ισχύ, με έμφαση στο τομέα της ενέργειας. Από την ανάλυση των πιο σύγχρονων τεχνολογιών, παρατηρείται εύκολα ότι ένα πλαίσιο ΤΝ, γνωστό ως Ομοσπονδιακή Μάθηση (ΟΜ), είναι μια αναδυόμενη τεχνική. Στη συνέχεια, παρουσιάζεται μια εκτενής περιγραφή του δικτυακού συστήματος, παρέχοντας έναν συνεκτικό μοντέλο συστήματος. Επίσης, παρέχεται μια εκτενής περιγραφή του διαμορφωμένου προβλήματος προς ένα δικτυακό σύστημα καθοδηγούμενο από τη ΤΝ. Προς αυτόν τον σκοπό, προτείνεται η λύση του Soft Actor Critic (SAC) Ενισχυτικής Μάθησης (ΕΜ) που στοχεύει στην ελαχιστοποίηση της συνολικής κατανάλωσης ενέργειας μίας τεχνολογίας ΟΜ. Η αποτελεσματικότητα της προτεινόμενης μεθόδου παρουσιάζεται με αποτελέσματα που συγκρίνονται με τρεις προηγμένες λύσεις.","With the ever increasing complexity of the upcoming mobile cellular networks, due to the proliferation of connected heterogeneous end devices, and the constant increase in computing performance, the existence of an Artificial Intelligence (AI) - Driven framework for network system automation is of high importance. However, as progressing towards the Network Intelligentization era, which enables on-device intelligence, a necessity can already be identified for a novel AI-enabled networking paradigm that will identify the diverse and heterogeneous network entities along with their respective computing capabilities towards supporting such complex AI-enabled network system. Initially, this thesis provides a presentation of the state-of-the-art AI solutions for computation-oriented communications, focusing on the energy aspect. From the state-of-the-art analysis, it is easily observed that a well-known AI framework, namely the Federated Learning (FL) is an emerging technique. Next, an extensive description of the network system is presented, while providing a comprehensive system model. An extensive description of the problem formulation towards a AI-driven networking system is also provided. To this end, a Soft Actor Critic (SAC) Reinforcement Learning (RL) solution is proposed targeting the minimization of the overall energy consumption of a FL process. The effectiveness of the proposed scheme is presented with results compared to three state-of-the-art baseline solutions."],"dc:identifier":["uoadl:3338320","https://pergamos.lib.uoa.gr/uoa/dl/object/3338320"],"dc:language":["Ελληνικά","English","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["A Safe Reinforcement Learning Approach for Energy Efficient Federated Learning in Wireless Communication Networks"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:23:00Z"}