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: Technısche Unıversıtat Berlın
  10. Enstitü: Yurtdışı Enstitü
  11. Ana Bilim Dalı: Belirtilmemiş.
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

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

    973678

    Multi contrast mri based discriminants for neuro behcet syndrome subtypes

    Noro behcet sendromu alt turlerinin cok kontrastli mr tabanli ayristiricilarla siniflandirilmasi

    YILDIZ TÜZÜN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiBoğaziçi Üniversitesi

    Biyomedikal Ana Bilim Dalı

    DOÇ. DR. IBRAHİM ALPAY OZCAN

  2. 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

  3. Tez No

    959823

    SLR based partıtıonıng on multı-dıe FPGA chıps

    Çok kalıplı FPGA yongaları için SLR tabanlı bölümleme

    BATUHAN BULUT

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik MühendisliğiEskişehir Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ATAKAN DOĞAN

  4. Tez No

    898604

    Machine learning-based modeling and monitoring of machining processes and tool wear

    İşleme prosesleri ve takım aşınmasının makine öğrenmesi tabanlı modellenmesi ve izlenmesi

    ARASH EBRAHIMI ARAGHIZAD

    Doktora

    İngilizce

    İngilizce

    2024

    Makine MühendisliğiSabancı Üniversitesi

    Üretim Mühendisliği Ana Bilim Dalı

    PROF. DR. ERHAN BUDAK

  5. Tez No

    973920

    A data-driven and risk-based decision support system for the retrofit performance of buildings

    Binaların iyileştirme performansı için veri odaklı ve risk tabanlı bir karar destek sistemi

    HATİCE BIYIK

    Doktora

    İngilizce

    İngilizce

    2025

    MimarlıkOrta Doğu Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    PROF. DR. ALİ MURAT TANYER

    PROF. DR. İREM DİKMEN TOKER

Geri Dön