{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3404666"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3404666","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Quality of Service Prediction in 5G and Beyond Networks","abstract":"Η διασφάλιση των απαραίτητων πόρων δικτύωσης - και ως αποτέλεσμα και της απαιτούμενης Ποιότητας Υπηρεσίας (Quality of Service- QoS) δικτύου - είναι ύψιστης σημασίας για εφαρμογές Συνδεδεμένης και Αυτοματοποιημένης Κινητικότητας (Connected and Automated Mobility - CAM), καθώς διακυβεύεται η ασφάλεια των εμπλεκόμενων σε αυτές ατόμων. Για την έγκαιρη αναγνώριση πιθανής υποβάθμισης της Ποιότητας Υπηρεσίας δικτύου μπορούν να αξιοποιηθούν τεχνικές Μηχανικής Μάθησης (Machine Learning- ML) - οι οποίες βρίσκουν ολοένα και περισσότερες εφαρμογές στα Δίκτυα Κινητών Επικοινωνιών 5ης Γενιάς (5G) και μεταγενέστερα - με σκοπό τη πρόβλεψη τέτοιων αλλαγών και την ενημέρωση της αντίστοιχης CAM εφαρμογής, ώστε αυτή να έχει ένα περιθώριο προσαρμογής. Η τρέχουσα εργασία παρουσιάζει αποτελέσματα για την Πρόβλεψη Ποιότητας Υπηρεσιών σε 5G και Μεταγενέστερα Δίκτυα. Αρχικά γίνεται μια παρουσίαση των πιο σύγχρονων δουλειών (state-of-the-art) ως προς τη πρόβλεψη Ποιότητας Υπηρεσιών (QoS) σε ασύρματα δίκτυα, καθώς και μια παρουσίαση της CAM εφαρμογής Τηλεχειριζόμενης Οδήγησης (Tele-operated Driving) - στην οποία στηρίζεται η τρέχουσα εργασία - παράλληλα με τις τεχνικές προϋποθέσεις/απαιτήσεις για την πρόβλεψη Βασικών Δεικτών Απόδοσης (Key Performance Indicators - KPIs) της Ποιότητας Υπηρεσίας (QoS) σε τέτοιες εφαρμογές. Στη συνέχεια μελετάται συνοπτικά η έννοια της Βαθιάς Μάθησης (Deep Learning), εστιάζοντας στην εφαρμογή της για τη πρόβλεψη Ποιότητας Υπηρεσιών (QoS): Συγκεκριμένα παρατίθεται μια επισκόπηση των Βαθέων Νευρωνικών Δικτύων (Deep Neural Networks - DNNs), καθώς και πληροφορίες για τη Πρόβλεψη Πολυμεταβλητών Πολυβηματικών Χρονοσειρών (Multivariate Multistep TimeSeries Prediction) αξιοποιώντας αρχιτεκτονικές Long-Short Term Memory (LSTM). Η εργασία περιλαμβάνει επιπλέον περιγραφή της αρχιτεκτονικής, του μοντέλου δεδομένων, της μεθοδολογίας και του περιβάλλοντος δοκιμής μιας υλοποίησης για τη πρόβλεψη της Ποιότητας Υπηρεσιών (QoS) - βασισμένης στη θεωρία των προηγούμενων κεφαλαίων. Τέλος δίνονται τα συμπεράσματα της τρέχουσας δουλειάς.","abstract_html":"Η διασφάλιση των απαραίτητων πόρων δικτύωσης - και ως αποτέλεσμα και της απαιτούμενης Ποιότητας Υπηρεσίας (Quality of Service- QoS) δικτύου - είναι ύψιστης σημασίας για εφαρμογές Συνδεδεμένης και Αυτοματοποιημένης Κινητικότητας (Connected and Automated Mobility - CAM), καθώς διακυβεύεται η ασφάλεια των εμπλεκόμενων σε αυτές ατόμων. Για την έγκαιρη αναγνώριση πιθανής υποβάθμισης της Ποιότητας Υπηρεσίας δικτύου μπορούν να αξιοποιηθούν τεχνικές Μηχανικής Μάθησης (Machine Learning- ML) - οι οποίες βρίσκουν ολοένα και περισσότερες εφαρμογές στα Δίκτυα Κινητών Επικοινωνιών 5ης Γενιάς (5G) και μεταγενέστερα - με σκοπό τη πρόβλεψη τέτοιων αλλαγών και την ενημέρωση της αντίστοιχης CAM εφαρμογής, ώστε αυτή να έχει ένα περιθώριο προσαρμογής. Η τρέχουσα εργασία παρουσιάζει αποτελέσματα για την Πρόβλεψη Ποιότητας Υπηρεσιών σε 5G και Μεταγενέστερα Δίκτυα. Αρχικά γίνεται μια παρουσίαση των πιο σύγχρονων δουλειών (state-of-the-art) ως προς τη πρόβλεψη Ποιότητας Υπηρεσιών (QoS) σε ασύρματα δίκτυα, καθώς και μια παρουσίαση της CAM εφαρμογής Τηλεχειριζόμενης Οδήγησης (Tele-operated Driving) - στην οποία στηρίζεται η τρέχουσα εργασία - παράλληλα με τις τεχνικές προϋποθέσεις/απαιτήσεις για την πρόβλεψη Βασικών Δεικτών Απόδοσης (Key Performance Indicators - KPIs) της Ποιότητας Υπηρεσίας (QoS) σε τέτοιες εφαρμογές. Στη συνέχεια μελετάται συνοπτικά η έννοια της Βαθιάς Μάθησης (Deep Learning), εστιάζοντας στην εφαρμογή της για τη πρόβλεψη Ποιότητας Υπηρεσιών (QoS): Συγκεκριμένα παρατίθεται μια επισκόπηση των Βαθέων Νευρωνικών Δικτύων (Deep Neural Networks - DNNs), καθώς και πληροφορίες για τη Πρόβλεψη Πολυμεταβλητών Πολυβηματικών Χρονοσειρών (Multivariate Multistep TimeSeries Prediction) αξιοποιώντας αρχιτεκτονικές Long-Short Term Memory (LSTM). Η εργασία περιλαμβάνει επιπλέον περιγραφή της αρχιτεκτονικής, του μοντέλου δεδομένων, της μεθοδολογίας και του περιβάλλοντος δοκιμής μιας υλοποίησης για τη πρόβλεψη της Ποιότητας Υπηρεσιών (QoS) - βασισμένης στη θεωρία των προηγούμενων κεφαλαίων. Τέλος δίνονται τα συμπεράσματα της τρέχουσας δουλειάς.","abstract_has_math":false,"creators":["Θανόπουλος Αλέξανδρος-Ιωάννης","Thanopoulos Alexandros-Ioannis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:29:56Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3404666"],"render_values":[{"text":"uoadl:3404666","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3404666","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3404666","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%3A3404666","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Θανόπουλος Αλέξανδρος-Ιωάννης","Thanopoulos Alexandros-Ioannis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"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:3404666","https://pergamos.lib.uoa.gr/uoa/dl/object/3404666"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η διασφάλιση των απαραίτητων πόρων δικτύωσης - και ως αποτέλεσμα και της απαιτούμενης Ποιότητας Υπηρεσίας (Quality of Service- QoS) δικτύου - είναι ύψιστης σημασίας για εφαρμογές Συνδεδεμένης και Αυτοματοποιημένης Κινητικότητας (Connected and Automated Mobility - CAM), καθώς διακυβεύεται η ασφάλεια των εμπλεκόμενων σε αυτές ατόμων. Για την έγκαιρη αναγνώριση πιθανής υποβάθμισης της Ποιότητας Υπηρεσίας δικτύου μπορούν να αξιοποιηθούν τεχνικές Μηχανικής Μάθησης (Machine Learning- ML) - οι οποίες βρίσκουν ολοένα και περισσότερες εφαρμογές στα Δίκτυα Κινητών Επικοινωνιών 5ης Γενιάς (5G) και μεταγενέστερα - με σκοπό τη πρόβλεψη τέτοιων αλλαγών και την ενημέρωση της αντίστοιχης CAM εφαρμογής, ώστε αυτή να έχει ένα περιθώριο προσαρμογής. Η τρέχουσα εργασία παρουσιάζει αποτελέσματα για την Πρόβλεψη Ποιότητας Υπηρεσιών σε 5G και Μεταγενέστερα Δίκτυα. Αρχικά γίνεται μια παρουσίαση των πιο σύγχρονων δουλειών (state-of-the-art) ως προς τη πρόβλεψη Ποιότητας Υπηρεσιών (QoS) σε ασύρματα δίκτυα, καθώς και μια παρουσίαση της CAM εφαρμογής Τηλεχειριζόμενης Οδήγησης (Tele-operated Driving) - στην οποία στηρίζεται η τρέχουσα εργασία - παράλληλα με τις τεχνικές προϋποθέσεις/απαιτήσεις για την πρόβλεψη Βασικών Δεικτών Απόδοσης (Key Performance Indicators - KPIs) της Ποιότητας Υπηρεσίας (QoS) σε τέτοιες εφαρμογές. Στη συνέχεια μελετάται συνοπτικά η έννοια της Βαθιάς Μάθησης (Deep Learning), εστιάζοντας στην εφαρμογή της για τη πρόβλεψη Ποιότητας Υπηρεσιών (QoS): Συγκεκριμένα παρατίθεται μια επισκόπηση των Βαθέων Νευρωνικών Δικτύων (Deep Neural Networks - DNNs), καθώς και πληροφορίες για τη Πρόβλεψη Πολυμεταβλητών Πολυβηματικών Χρονοσειρών (Multivariate Multistep TimeSeries Prediction) αξιοποιώντας αρχιτεκτονικές Long-Short Term Memory (LSTM). Η εργασία περιλαμβάνει επιπλέον περιγραφή της αρχιτεκτονικής, του μοντέλου δεδομένων, της μεθοδολογίας και του περιβάλλοντος δοκιμής μιας υλοποίησης για τη πρόβλεψη της Ποιότητας Υπηρεσιών (QoS) - βασισμένης στη θεωρία των προηγούμενων κεφαλαίων. Τέλος δίνονται τα συμπεράσματα της τρέχουσας δουλειάς.","Determining whether the network can provide the required resources - and as a result the required Quality of Service (QoS) - for Connected and Automated Mobility (CAM) applications is crucial, as human safety is involved. In order to identify potential QoS deterioration events in a timely manner, Machine Learning - which is currently considered a momentous enabler for the 5G and beyond systems -, can be exploited in order to timely predict such changes in the QoS and proactively notify the CAM application in order for it to flexibly adapt. This thesis summarizes the outputs of Quality of Service Prediction in 5G and Beyond Networks. Initially, it provides a presentation of the state-of-the-art on the QoS prediction topic for wireless networks, while it also introduces the Tele-operated Driving (ToD) CAM Use Case (UC) and its requirements for timely predicting QoS Key Performance Indicators (KPIs). Next, it discusses the concept of Deep Learning, focusing on its application for QoS prediction use cases; an overview of Deep Neural Networks (DNNs) is provided, as well as insights on Multivariate Multistep Time Series Prediction using Long-Short Term Memory (LSTM) architectures. Most importantly, it comprises a comprehensive description of a QoS prediction solution and architecture, data model and methodology. An extended description of the evaluation environment is then provided. A comprehensive list of evaluation scenarios based on the ToD use case are presented, along with related discussions and conclusions on the presented results."]},{"key":"dc:title","label":"Title","values":["Quality of Service Prediction in 5G and Beyond Networks"]}]}],"canonical_facts":{"dc:creator":["Θανόπουλος Αλέξανδρος-Ιωάννης","Thanopoulos Alexandros-Ioannis"],"dc:date":["2024"],"dc:description":["Η διασφάλιση των απαραίτητων πόρων δικτύωσης - και ως αποτέλεσμα και της απαιτούμενης Ποιότητας Υπηρεσίας (Quality of Service- QoS) δικτύου - είναι ύψιστης σημασίας για εφαρμογές Συνδεδεμένης και Αυτοματοποιημένης Κινητικότητας (Connected and Automated Mobility - CAM), καθώς διακυβεύεται η ασφάλεια των εμπλεκόμενων σε αυτές ατόμων. Για την έγκαιρη αναγνώριση πιθανής υποβάθμισης της Ποιότητας Υπηρεσίας δικτύου μπορούν να αξιοποιηθούν τεχνικές Μηχανικής Μάθησης (Machine Learning- ML) - οι οποίες βρίσκουν ολοένα και περισσότερες εφαρμογές στα Δίκτυα Κινητών Επικοινωνιών 5ης Γενιάς (5G) και μεταγενέστερα - με σκοπό τη πρόβλεψη τέτοιων αλλαγών και την ενημέρωση της αντίστοιχης CAM εφαρμογής, ώστε αυτή να έχει ένα περιθώριο προσαρμογής. Η τρέχουσα εργασία παρουσιάζει αποτελέσματα για την Πρόβλεψη Ποιότητας Υπηρεσιών σε 5G και Μεταγενέστερα Δίκτυα. Αρχικά γίνεται μια παρουσίαση των πιο σύγχρονων δουλειών (state-of-the-art) ως προς τη πρόβλεψη Ποιότητας Υπηρεσιών (QoS) σε ασύρματα δίκτυα, καθώς και μια παρουσίαση της CAM εφαρμογής Τηλεχειριζόμενης Οδήγησης (Tele-operated Driving) - στην οποία στηρίζεται η τρέχουσα εργασία - παράλληλα με τις τεχνικές προϋποθέσεις/απαιτήσεις για την πρόβλεψη Βασικών Δεικτών Απόδοσης (Key Performance Indicators - KPIs) της Ποιότητας Υπηρεσίας (QoS) σε τέτοιες εφαρμογές. Στη συνέχεια μελετάται συνοπτικά η έννοια της Βαθιάς Μάθησης (Deep Learning), εστιάζοντας στην εφαρμογή της για τη πρόβλεψη Ποιότητας Υπηρεσιών (QoS): Συγκεκριμένα παρατίθεται μια επισκόπηση των Βαθέων Νευρωνικών Δικτύων (Deep Neural Networks - DNNs), καθώς και πληροφορίες για τη Πρόβλεψη Πολυμεταβλητών Πολυβηματικών Χρονοσειρών (Multivariate Multistep TimeSeries Prediction) αξιοποιώντας αρχιτεκτονικές Long-Short Term Memory (LSTM). Η εργασία περιλαμβάνει επιπλέον περιγραφή της αρχιτεκτονικής, του μοντέλου δεδομένων, της μεθοδολογίας και του περιβάλλοντος δοκιμής μιας υλοποίησης για τη πρόβλεψη της Ποιότητας Υπηρεσιών (QoS) - βασισμένης στη θεωρία των προηγούμενων κεφαλαίων. Τέλος δίνονται τα συμπεράσματα της τρέχουσας δουλειάς.","Determining whether the network can provide the required resources - and as a result the required Quality of Service (QoS) - for Connected and Automated Mobility (CAM) applications is crucial, as human safety is involved. In order to identify potential QoS deterioration events in a timely manner, Machine Learning - which is currently considered a momentous enabler for the 5G and beyond systems -, can be exploited in order to timely predict such changes in the QoS and proactively notify the CAM application in order for it to flexibly adapt. This thesis summarizes the outputs of Quality of Service Prediction in 5G and Beyond Networks. Initially, it provides a presentation of the state-of-the-art on the QoS prediction topic for wireless networks, while it also introduces the Tele-operated Driving (ToD) CAM Use Case (UC) and its requirements for timely predicting QoS Key Performance Indicators (KPIs). Next, it discusses the concept of Deep Learning, focusing on its application for QoS prediction use cases; an overview of Deep Neural Networks (DNNs) is provided, as well as insights on Multivariate Multistep Time Series Prediction using Long-Short Term Memory (LSTM) architectures. Most importantly, it comprises a comprehensive description of a QoS prediction solution and architecture, data model and methodology. An extended description of the evaluation environment is then provided. A comprehensive list of evaluation scenarios based on the ToD use case are presented, along with related discussions and conclusions on the presented results."],"dc:identifier":["uoadl:3404666","https://pergamos.lib.uoa.gr/uoa/dl/object/3404666"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Quality of Service Prediction in 5G and Beyond Networks"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:29:56Z"}