Εφαρμογή τεχνικών μηχανικής μάθησης για την βέλτιστη τοποθέτηση αυτόνομων εναέριων οχημάτων και πρόβλεψη των απωλειών διάδοσης σε δίκτυα κινητών επικοινωνιών

Abstract

Οι επικοινωνίες πέμπτης γενιάς (5G) και πέρα από αυτές χαρακτηρίζονται κυρίως από (i) μαζική συνδεσιμότητα (massive connectivity), (ii) αξιοπιστία και χαμηλή καθυστέρηση (ultra-reliability and low latency), και (iii) αυξημένη ρυθμαπόδοση (throughput). Η ικανοποίηση αυτών των στόχων σε συνδυασμό με την ταχεία ανάπτυξη των εφαρμογών του Διαδικτύου των πραγμάτων (IoT) αποτελεί μια δύσκολη εργασία, ειδικά σε εξαιρετικά δυναμικά και ετερογενή περιβάλλοντα. Μια πολλά υποσχόμενη προσέγγιση είναι η υιοθέτηση μη επανδρωμένων εναέριων οχημάτων (UAV) ως χρήστες εναέριας κυκλοφορίας (UE) ή εναέριοι σταθμοί βάσης. (BS). Συγκεκριμένα, οι επικοινωνίες που βασίζονται σε UAV μπορούν να βελτιώσουν την απόδοση του δικτύου σε καταστάσεις έκτακτης ανάγκης, παρέχοντας γρήγορη ανάκτηση υπηρεσιών και εκφόρτωση ήδη υπάρχοντος δικτύου σε εξαιρετικά μεγάλου όγκου δεδομένων σενάρια. Αυτά τα χαρακτηριστικά έχουν προσελκύσει το ενδιαφέρον των οργανισμών τυποποίησης[1] και την ακαδημαϊκή κοινότητα. Επιπλέον, η ενσωμάτωση τεχνικών τεχνητής νοημοσύνης (AI) και μηχανικής μάθησης (ML) σε ασύρματα δίκτυα μπορεί να αξιοποιήσει την ευφυΐα για την αντιμετώπιση διαφόρων θεμάτων. Έτσι, ο συνδυασμός AI / ML και UAV φαίνεται να συσχετίζεται έντονα σε διάφορους κλάδους και εφαρμογές και σε όλα τα επίπεδα του δικτύου, υποσχόμενος πρωτοφανή κέρδη απόδοσης και μείωση της πολυπλοκότητας. Ωστόσο, αυτός ο νέος βαθμός ελευθερίας που θα συμπεριληφθεί στο δίκτυο θα προσθέσει επίσης νέες προκλήσεις. Μια από αυτές είναι η εύρεση των βέλτιστων σημείων τοποθέτησης (optimal placement) των μη επανδρωμένων οχημάτων, έτσι ώστε να επιτυγχάνεται η καλύτερη δυνατή σύνδεση με όλους τους χρήστες του δικτύου καθώς και η εύρεση του ελάχιστου αριθμού των μη επανδρωμένων αεροσκαφών που θα πρέπει να χρησιμοποιηθούν. Μια άλλη σημαντική πρόκληση είναι η μοντελοποίηση καναλιών (channel modeling) σε σενάρια εναέριας-επίγειας δικτύωσης (air-to-ground path loss models). Τα περισσότερα υπάρχοντα μοντέλα υιοθετούν μια 2-διαστάσεων (2D) επιφάνεια όπου ο πομπός και ο δέκτης, είναι στο ίδιο ύψος. Σε αυτή την έρευνα, τα αεροσκάφη μπορούν να τοποθετηθούν σε οποιοδήποτε σημείο ενός 3D χώρου και ως εκ τούτου απαιτείται 3D μοντελοποίηση. Ωστόσο, ο κλάδος της Μηχανικής Μάθησης παρέχει ικανοποιητικά αποτελέσματα στην αντιμετώπιση τέτοιων προκλήσεων. Οι τεχνικές μηχανικής μάθησης συνήθως ταξινομούνται σε τρεις μεγάλες κατηγορίες, ανάλογα με τη φύση του προβλήματος. Αυτές είναι : • Eπιβλεπόμενη μάθηση (supervised learning). • Mη επιβλεπόμενη μάθηση (unsupervised learning). • Ενισχυτική μάθηση (reinforcement learning). Σκοπός της συγκεκριμένης διπλωματικής εργασίας είναι η μελέτη των αλγορίθμων Μηχανικής Μάθησης και η εφαρμογή τους για την αντιμετώπιση τέτοιων προκλήσεων. Συγκεκριμένα, μελετώνται και εφαρμόζονται κατάλληλες τεχνικές Μηχανικής Μάθησης που να επιτυγχάνουν :

• Tην βέλτιστη τοποθέτηση των UAVs σε αστική περιοχή κάλυψης. • Τον ελάχιστο αριθμό των UAVs που θα πρέπει να χρησιμοποιηθούν. • Την μοντελοποίηση καναλιών σε σενάρια εναέριας-επίγειας δικτύωσης και την επαλήθευση τους μέσω του προγραμματιστικού περιβάλλοντος διάδοσης WinProp. Η προσομοίωση εστιάζει σε σχετικά καινοτόμα σενάρια που προσφέρουν μία σφαιρική άποψη των πλεονεκτημάτων των αλγορίθμων Μηχανικής Μάθησης, καθώς και των UAVs σε δίκτυα κινητών επικοινωνιών. Η παρούσα εργασία αποτελείται από 7 κεφάλαια. Στο πρώτο κεφάλαιο, περιγράφεται η αρχιτεκτονική του LTE-A καθώς και η αρχιτεκτονική των πρωτοκόλλων. Επιπλέον, περιγράφονται οι τεχνολογίες στις οποίες βασίζεται το LTE-A και επιτρέπουν την επίτευξη των απαιτητικών σχεδιαστικών στόχων. Στο δεύτερο κεφάλαιο, γίνεται αναλυτική περιγραφή των κατηγοριών Μηχανικής Μάθησης που υπάρχουν στην βιβλιογραφία όπως και αναλυτική παρουσίαση των αλγορίθμων που χρησιμοποιήθηκαν στα κεφάλαια των προσομοιώσεων. Στο τρίτο κεφάλαιο, περιγράφονται τα τεχνικά χαρακτηριστικά των μη επανδρωμένων αεροσκαφών καθώς και οι βέλτιστες τεχνικές τοποθέτησης τους στα υπάρχοντα δίκτυα. Στο τέταρτο κεφάλαιο, αναπτύσσονται και αναλύονται οι προσομοιώσεις που αφορούν τα σενάρια βέλτιστης τοποθέτησης των UAV στα LTE δίκτυα μέσω τεχνικών Μηχανικής Μάθησης. Στο πέμπτο κεφάλαιο, εφαρμόζεται η προσομοίωση μοντελοποίησης καναλιών μέσω αλγορίθμων μηχανικής μάθησης σε σενάρια εναέριας-επίγειας δικτύωσης. Τέλος στο έκτο κεφάλαιο, αναλύουμε τα αποτελέσματα των μεθόδων αντιμετώπισης των προαναφερόμενων προκλήσεων, βγάζουμε τα ανάλογα συμπεράσματα και περιγράφουμε μελλοντικές εργασίες που θα μπορούσαν να γίνουν σχετικά με την αντιμετώπιση των προκλήσεων που αφορούν την βέλτιστη τοποθέτηση των UAV και την πρόβλεψη των απωλειών διάδοσης σε A2G κανάλια.