Geri Dön

Enhancing ml-based vnf embedding with semantic reasoning for autonomous NFV-MANO

Başlık çevirisi mevcut değil.

PDF İndir

  1. Tez No: 837166
  2. Yazar: ONAT TANRIÖVER
  3. Danışmanlar: DR. XUAN-THUY DANG
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Almanca
  9. Üniversite: Technische Universität Berlin
  10. Enstitü: Yurtdışı Enstitü
  11. Ana Bilim Dalı: Belirtilmemiş.
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 89

Özet

Networks are experiencing great changes today, both in terms of technology and architecture. Embracing the concept of virtualization, the transition to 5G will bring many changes to network architecture. The operation of future networks will depend on virtualization, where network functions, network and cloud resources and third-party services will be virtualized. This will bring many benefits, such as flexibility and scalability. However, network management must be automated, in order to manage this flexibility. It is expected that machine learning methods will gain importance for automating network management processes. Moreover, because future networks will have efficient data collection mechanisms, this sets the stage for application of machine learning methods. In this thesis, machine learning is used to address the problem of deploying a virtualized network function on the optimal virtual machine in a cloud environment. More specifically, Knowledge Graph Embedding will be used to translate a formally specified system description into a vector space and the model will learn the similarities between the entities in the system. Thus, the system will be able to make an optimal decision. The obtained results are relatively accurate and ideas for improving them have also been presented. The system proposed in this thesis is a prototypical system to demonstrate that the idea works. In addition, ideas for implementing a full-functional system have been provided.

Özet (Çeviri)

Heute erleben Netzwerke eine große Wende in Bezug auf die Technologie und die Architektur. Der Ubergang zu 5G wird viele ¨ Anderungen zur Netzwerk-Architektur her- ¨ beifuhren, indem er von Virtualisierung Gebrauch macht. Der Betrieb der Netzwerke ¨ der Zukunft wird von Virtualisierung abhangen, wobei Netzwerkfunktionen, Netzwerk- ¨ und Cloud-Ressourcen und Drittanbieterdienste virtualisiert werden. Das wird viele Vorteile bringen, wie Flexibilitat und Skalierbarkeit. Netzwerksteuerung muss jedoch ¨ automatisiert werden, um mit dieser Flexibilitat klarkommen zu k ¨ onnen. ¨ Es wird erwartet, dass Methode maschinellen Lernens fur die Automatisierung der ¨ Prozesse der Netzwerksteuerung an Wichtigkeit gewinnen werden. Dazu kommt die Tatsache, dass die Netzwerke der Zukunft uber effiziente Mechanismen zur Sammlung ¨ von Netzwerkdaten verfugen werden, was die Grundlage f ¨ ur die Anwendung von ML- ¨ Methoden bildet. In dieser Arbeit wird maschinelles Lernen angewandt, um das Problem, eine virtualisierte Netzwerkfunktion auf die optimale virtualle Maschine zu deployen, zu losen. Spezifischer gesagt, wird Knowledge Graph Embedding angewandt, ¨ um eine formell angegebene Systembeschreibung in einen Vektorraum zu uberf ¨ uhren ¨ und das Modell wird die Ahnlichkeiten zwischen den Objekten im System erlernen. ¨ Daher wird das System in der Lage sein, eine optimale Entscheidung zu treffen. Die Ergebnisse haben sich relativ genau herausgestellt und Ideen fur die ¨ Verbesserung der Ergebnisse wurden presentiert. Das in dieser Arbeit presentierte System ist ein prototypisches System mit dem Zweck, zu zeigen, dass die Idee funktioniert. Ideen fur eine voll funktionsf ¨ ahige System wurden auch presentiert.

Benzer Tezler

  1. Tez No

    941801

    Machine learning based optimization of thermal cracking furnace in a visbreaker unit

    Visbreaker ünitesinde termal çatlama fırınının makine öğrenmesi tabanlı optimizasyonu

    MELİKE DUVANOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Kimya MühendisliğiKoç Üniversitesi

    Kimya ve Biyoloji Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ERDAL AYDIN

  2. Tez No

    966100

    The role of machine learning in enhancing realism in unreal engine games

    Unreal engine oyunlarında gerçekçiliği artırmada makine öğrenmesinin rolü

    İBRAHİM BERK ADIGÜZEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ABDULLAHI ABDU IBRAHIM

  3. Tez No

    926545

    Koroner arter bypass operasyonlarında risk değerlendirmesi için makine öğrenimi tabanlı hibrit bir sistemin geliştirilmesi

    Development of a machine learning based hybrid system for risk assessment in coronary artery bypass operations

    AYŞE BANU BİRLİK

    Doktora

    Türkçe

    Türkçe

    2025

    Endüstri ve Endüstri Mühendisliğiİstanbul Medipol Üniversitesi

    Sağlık Sistemleri Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN TOZAN

    DR. ÖĞR. ÜYESİ KEVSER BANU KÖSE

  4. Tez No

    903949

    End-to-end tire defect detection model based on machine and deep learning techniques

    Makine ve derin öğrenme tekniklerine dayalı uçtan uca lastik arıza tespit modeli

    RADHWAN ALI ABDULGHANI SALEH

    Doktora

    İngilizce

    İngilizce

    2024

    Mekatronik MühendisliğiKocaeli Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN METİN ERTUNÇ

  5. Tez No

    829863

    A holistic data analytics approach to ship inspection reporting

    Gemi denetim raporlamasına bütünsel bir veri analitiği yaklaşımı

    SAMET BİÇEN

    Doktora

    İngilizce

    İngilizce

    2023

    Deniz Bilimleriİstanbul Teknik Üniversitesi

    Deniz Ulaştırma Mühendisliği Ana Bilim Dalı

    PROF. DR. METİN ÇELİK

Geri Dön