Συντάχθηκε 24-01-2023 10:54
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 26/01/2023 15:00
Λήξη: 26/01/2023 15:30
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Γεωργίου Κουτρουμπά
με θέμα
Μεθοδολογίες πρόβλεψης χρήσης δικτύων στο πλαίσιο ''hotspot'' κεραιών κινητής τηλεφωνίας
Methodologies for the prediction of network usage within the context of cellular hotspots
Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Σωτήριος Ιωαννίδης, Σχολή ΗΜΜΥ, ΠΚ
Καθηγητής Απόστολος Δόλλας, Σχολή ΗΜΜΥ, ΠΚ
Καθηγητής Μιχαήλ Ζερβάκης, Σχολή ΗΜΜΥ, ΠΚ
Περίληψη
Σήμερα ζούμε σε μια κοινωνία που βασίζεται στην τεχνολογία. Όλα όσα βλέπουμε γύρω μας έχουν γίνει ολοένα και πιο εξελιγμένα με την προσθήκη έξυπνων τηλεφώνων, έξυπνων αυτοκινήτων και ίσως ακόμη και έξυπνων ρούχων. Πολλές από αυτές τις συσκευές απαιτούν την απομακρυσμένη χρήση του παγκόσμιου ιστού για να λειτουργήσουν σωστά. Το γεγονός αυτό, σε συνδυασμό με τον συνεχώς αυξανόμενο πληθυσμό στις κεντρικές περιοχές διαβίωσης, δημιουργεί σοβαρά προβλήματα στους παρόχους υπηρεσιών κινητής τηλεφωνίας. Οι ξαφνικές εκρήξεις ζήτησης της υπηρεσίας τους μπορεί να προκαλέσουν συμφόρηση στην υποδομή δικτύου, με αποτέλεσμα προβλήματα απόδοσης στις κεραίες κινητής τηλεφωνίας.
Μια ενδιαφέρουσα λύση για αυτό το πρόβλημα είναι η πρόβλεψη πότε και πού θα συμβούν αυτές οι πτώσεις απόδοσης και η εκ νέου βαθμονόμηση των παραμέτρων του δικτύου, αποφεύγοντας αποτελεσματικά την καταστροφή. Σε αυτή την εργασία προτείνω έναν αλγόριθμο νευρωνικού δικτύου που θα χειριστεί την πρόβλεψη αυτών των πτώσεων απόδοσης, αναφερόμενος σε αυτά ως hotspot.
Για την επίτευξη αυτού του στόχου πρόκειται να συνεργαστώ με την εταιρεία Telefonica, η οποία θα παρέχει βασικές πληροφορίες που συλλέγονται από τις κεραίες των δικτύων της, δίνοντας επίσης και σημαντικές πληροφορίες για το τελικό προϊόν. Χρησιμοποιώντας έναν συνδυασμό Gated Recurrent Units και Graph Convolution Networks, το σχέδιο είναι να αποτυπωθούν οι χωρικές και χρονικές εξαρτήσεις που υπάρχουν στη συμπεριφορά των δικτύων, προβλέποντας αποτελεσματικά τις περισσότερες από τις πραγματικές πτώσεις απόδοσης σε μεγάλους ορίζοντες πρόβλεψης. Το επίκεντρο αυτής της εργασίας είναι να έχουμε ακριβείς προβλέψεις για όσο το δυνατόν περισσότερα hotspot και ταυτόχρονα να υποστηρίζουμε έναν τεράστιο αριθμό κεραιών στον υπολογισμό.
Abstract
Today we live in a society that relies upon technology. Everything we see around us has become more and more advanced with the addition of smart phones, smart cars and maybe even smart clothes. Many of
those devices require the remote use of the world wide web to function properly. This fact,in conjunction with the ever increasing population in central living areas, creates severe issues to mobile service providers.
Sudden demand bursts of their service can cause bottlenecks to the network infrastructure, resulting in performance issues to the cellular antennas.
An interesting solution for this problem is forecasting when and where those performance drops will happen and re-calibrating the network parameters, effectively avoiding disaster. In this work I propose a
neural network algorithm that will handle the forecasting task of those performance drops, referring to them as hotspots.
To achieve this goal I am going to cooperate with the company Telefonica, which will provide essential information gathered from its networks antennas, as well as important feedback towards the final product. Using a combination of Gated Recurrent Units and Graph Convolution Networks the plan is to capture spatial and temporal dependencies that exist in the networks behaviour, effectively predicting most of the real performance drops in long prediction horizons. The focus of this work is to have accurate predictions of as many hotspots as possible and on the same time support a vast amount of antennas in the calculation.
