Τεχνικές της μηχανικής μάθησης για την βελτιστοποίηση των ευρυζωνικών δικτύων

Φουράκης, Βασίλειος

dc.contributor.advisor	Bogris, Adonis
dc.contributor.author	Φουράκης, Βασίλειος
dc.date.accessioned	2024-04-11T11:12:33Z
dc.date.available	2024-04-11T11:12:33Z
dc.date.issued	2024-04-10
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/6465
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-6301
dc.description.abstract	Η συνεχή ζήτηση των χρηστών για ταχύτερες συνδέσεις, ποιοτικότερες και σταθερές υπηρεσίες και οι νέες τεχνολογίες του σήμερα, ανάγκασαν τους φορείς να αναπτύξουν τεχνικές για την ευρυζωνική κάλυψη, αξιοπιστία και ταχύτητα στην λήψη και μεταφορά των δεδομένων. Η ανάπτυξη των κέντρων δεδομένων, οι νέες τεχνολογίες οπτικών ινών και τα δίκτυα πέμπτης γενιάς, είναι από τις πιο σύνηθες τεχνολογίες, οι οποίες χρησιμοποιούνται καθημερινά από τους χρήστες για την κάλυψη των αναγκών τους. Συχνά υπάρχει το φαινόμενο της συμφόρησης λόγω υψηλής ζήτησης των υπηρεσιών ή μεγάλη κίνηση ροής, η οποία διαφέρει κατά την περιοχή και το χρονικό διάστημα. Επιπλέον η διαχείριση των πόρων αλλά και οι προτεραιότητες που θα δοθούν στους χρήστες, συνδέονται άμεσα με την τοπολογία, την χρήση, τους συνδρομητές που είναι ήδη στο αντίστοιχο δίκτυο και τις υπηρεσίες. Σημαντική επίσης είναι και η επεκτασιμότητα των διαθέσιμων κέντρων δεδομένων, για την ευελιξία και αξιοπιστία των δικτύων και των κέντρων. Επιπλέον η υψηλή κατανάλωση ενέργειας, έχει κάνει τους επιστήμονες να επικεντρωθούν σε νεότερες τεχνολογίες, οι οποίες θα μας επιφέρουν υψηλότερες επιδόσεις με μικρότερη κατανάλωση ενέργειας. Γενικότερα, όλες αυτές τις αναφερόμενες προκλήσεις, μπορούμε να τις προσεγγίσουμε και να τις διαχειριστούμε αποτελεσματικά μέσω της μηχανικής μάθησης, η οποία θα μπορεί σε πραγματικό χρόνο να ταξινομεί, να φιλτράρει και να επαναυπολογίζει διαδρομές στην ροή, ώστε να μπορούν να οριστούν τόσο οι αρχιτεκτονικές, για την δημιουργία του αντίστοιχου δικτύου, όσο και οι πόροι που θα χρειαστούν.	el
dc.format.extent	68	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Ευρυζωνικά δίκτυα	el
dc.subject	Εκμάθηση αλγορίθμων	el
dc.subject	Πρόβλεψη	el
dc.subject	Ταξινόμηση	el
dc.title	Τεχνικές της μηχανικής μάθησης για την βελτιστοποίηση των ευρυζωνικών δικτύων	el
dc.title.alternative	Learning engineering techniques for the optimization of broadband networks	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Mamalis, Basilis
dc.contributor.committee	Μυριδάκης, Νικόλαος
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών	el
dc.description.abstracttranslated	The constant demand from users for faster connections, higher quality and stable services and today's new technologies have forced operators to develop techniques for broadband coverage, reliability and speed in receiving and transferring data. The deployment of data centers, new fiber optic technologies and fifth generation networks are among the most common technologies used daily by users to meet their needs. Often there is the phenomenon of congestion due to high demand for services or heavy traffic flow, which varies by region and time period. In addition, the management of resources and the priorities to be given to users are directly related to the topology, usage, subscribers already on the respective network and services. The scalability of the available data centers is also important for the flexibility and reliability of the networks and centers. In addition, high energy consumption has made scientists focus on newer technologies, which will bring us higher performance with less energy consumption. More generally, all these mentioned challenges can be approached and managed effectively through machine learning, which will be able to classify, filter and recalculate paths in the flow in real time, so that both the architectures to create the corresponding network and the resources that will be needed can be defined.	el

Files in this item

Name:: CS_171189.pdf
Size:: 2.998Mb
Format:: PDF

View/Open

This item appears in the following Collection(s)

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Πληροφορικής και Υπολογιστών

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές