Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/14183
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΚαλογερόπουλος, Ραφαήλ-
dc.contributor.otherKalogeropoulos, Rafail-
dc.date.accessioned2020-11-18T21:07:12Z-
dc.date.available2020-11-18T21:07:12Z-
dc.date.copyright2020-11-11-
dc.identifier.urihttp://hdl.handle.net/10889/14183-
dc.description.abstractΤα σύγχρονα δίκτυα κινητής τηλεφωνίας, αποτελούνται από μία πληθώρα διαφορετικών συσκευών με διαφορετικές ικανότητες και απαιτήσεις. Ειδικότερα με την άνοδο του Internet of Things, το πλήθος συσκευών που απαρτίζουν ένα δίκτυο αναμένεται να αυξηθεί δραματικά και να εμπλουτισθεί με νέες συσκευές. Αυτή η ραγδαία αύξηση στο αναμενώμενο πλήθος διασυνδεδεμένων συσκευών κάνει επιτακτική την ανάγκη αποδοτικής διαχείρισης των διαθέσιμων πόρων των δικτύων. Για να είναι εφικτή η ικανοποίηση ενός ικανοποιητικού ποσοστού χρηστών, πρέπει τόσο η δομή τους, όσο και οι τεχνολογίες που αξιοποιούν τα δίκτυα κινητής τηλεφωνίας να μπορούν να ανταποκριθούν στον αναμενόμενο όγκο χρηστών και στις απαιτήσεις τους. Η Μηχανική Μάθηση έχει ήδη αξιοποιηθεί σε πολλούς τομείς και η εφαρμογή της στα δίκτυα κινητής τηλεφωνίας αναμένεται να ενισχύσει σημαντικά τις δυνατότητες των δικτύων να αντεπεξέλθουν σε αυτές τις απαιτήσεις. Στόχος της παρούσας διπλωματικής εργασίας είναι η ενσωμάτωση τεχνικών Μηχανικής Μάθησης στα δίκτυα κινητής τηλεπικοινωνίας 5ης γενιάς και η παραγωγή μηχανισμών που θα επιτρέπουν την αποδοτικότερη αξιοποίηση των πόρων του δικτύου. Συνδυάζοντας την Μηχανική Μάθηση με τους υπάρχοντες μηχανισμούς, αναμένουμε την εξάλειψη των περιορισμών που αντιμετωπίζουν αυτοί οι μηχανισμοί αλλά και τη δημιουργία νέων μηχανισμών αλλά και δυνατοτήτων για τα δίκτυα κινητής τηλεφωνίας.el
dc.language.isogrel
dc.subjectΜηχανική μάθησηel
dc.subjectΔίκτυα υπολογιστώνel
dc.subjectΤαξινόμησηel
dc.subjectΑποδοτικότηταel
dc.titleΤεχνικές μηχανικής μάθησης για ταξινόμηση χρηστών σε υπερπυκνά 5G δίκτυαel
dc.title.alternativeMachine learning techniques for user allocation in dense 5G networksel
dc.description.translatedabstractA modern cellular network, consists of various devices with different capabilities and requirements. Especially with the rise of Internet of Things, the set of devices that constitute a network is expected to dramatically increase and be enriched with new types of devices. This rapid increase of the expected volume of interconnected devices calls for the most efficient management possible of the network's resources. In order for networks to be able to satisfy an acceptable percentage of users, both their infrastructure and the utilized technologies, should be able to correspond to the expected volume of users and their requirements. Machine Learning has already been used in many scientific fields and its introduction in cellular networks is believed to massively increase their abilities. This diploma thesis aims to integrate Machine Learning techniques in 5G cellular networks and produce mechanisms that allow for the most efficient utilization of the network's resources. By introducing Machine Learning into existing network mechanisms, we expect to minimize the limitations of these mechanisms but also create new mechanisms for cellular networks, that will undoubtfully give them new possibilities.el
dc.subject.alternativeMachine learningel
dc.subject.alternativeComputer networksel
dc.subject.alternativeAllocationel
dc.subject.alternativeEfficiencyel
dc.degreemasterThesisel
datacite.rightshttp://purl.org/coar/access_right/c_abf2el
oaire.licenseConditionnullel
datacite.contributor.SupervisorΧρήστος Ι. Μπούρας-
datacite.contributor.RelatedPersonΙωάννης Γαροφαλάκης-
datacite.contributor.RelatedPersonΚυριάκος Βλάχος-
Appears in Collections:Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
Kalogeropoulos thesis.pdf2.88 MBAdobe PDFView/Open
Kalogeropoulos Code.rar10.57 kBrarView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.