Βαθιά ενίσχυση της μάθησης στις επικοινωνίες και στη δικτύωση

Abstract

Τα σύγχρονα δίκτυα, π.χ. του Διαδυκτίου των Πραγμάτων (IoT) και των Μη επανδρωμένων Εναέριων Οχημάτων(UAV), καθίστανται πιο αποκεντρωμένα και αυτόνομα. Σε τέτοια δίκτυα, οι φορείς δικτύου πρέπει να λαμβάνουν αποφάσεις τοπικά γιανα μεγιστοποιούν την απόδοση του δικτύου υπό την αβεβαιότητα του περιβάλλοντος. Η ενίσχυση της μάθησης (RL) έχει χρησιμοποιηθεί αποτελεσματικά για να δώσει τη δυνατότητα στις οντότητες του δικτύου να αποκτήσουν τη βέλτιστη πολιτική, συμπεριλαμβανομένων π.χ. αποφάσεων ή ενεργειών, δεδομένης της κατάστασης τους όταν οι χώροι κατάστασης και δράσης είναι περιορισμένοι. Προς αυτή την κατεύθυνση στην παρούσα διπλωματική εργασία περιγράφονται οι διάφορες τεχνικές που υπάρχουν στη βιβιλιογραφία και πραγματεύονται τη βαθιά ενίσχυση της μάθησης στις επικοινωνίες και τη δικτύωση. Η καινοτομία της συγκεκριμένης διπλωματικής εργασίας έγκειται στη μελέτη της δυναμικής πρόσβασης στο δίκτυο, στον έλεγχο του ρυθμού δεδομένων, στην ασύρματη προσωρινή αποθήκευση, στην εκφόρτωση δεδομένων, στην ασφάλεια δικτύου και στη συντήρηση συνδεσιμότητας, τα οποία είναι όλα σηματνικά για δίκτυα επόμενης γενιάς, όπως 5G και πέραν τούτου, με χρήση εφαρμογών βαθιάς ενίσχυσης της μάθησης.