Geri Dön

Network slicing management for IoT devices at home using machine learning algorithms

Evdeki IoT araçları için 5g'de makine öğrenmesi algoritmalarını kullanarak ağ dilimleme yönetimi

  1. Tez No: 882796
  2. Yazar: MEHMET ALPEREN YILMAZ
  3. Danışmanlar: PROF. DR. TUNA TUĞCU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 71

Özet

5G, 4G'den sonra sadece hız ve kaliteyi artırmakla kalmadı, getirdiği yepyeni teknolojilerle yeni alanların gelişmesine de olanak sağladı. 5G'nin çığır açan teknolojilerinden biri ağ dilimlemedir. Ağ dilimleme, fiziksel katman üzerinde aynı anda birden çok sanal dilim oluşturarak, tek bir baz istasyonunun bu dilimleri özelleştirmesine ve hizmetini farklı özellik ve gereksinimlere göre iyileştirmesine olanak tanır. Ağ dilimleme sayesinde günümüzün en hızlı gelişen teknolojilerinden biri olan Nesnelerin İnterneti (IoT) veya Ultra Güvenilir Düşük Gecikmeli İletişim (URLLC) için ayrı özelleştirmelere sahip sanal dilimler oluşturulmaktadır. Ağ dilimleme için iyileştirilmesi gereken en büyük alanlardan biri kaynak tahsisidir. Kaynak tahsisi baz istasyonunun dilimlere dağıtması gereken bant genişliğidir. Bu genişliğin doğru ayarlanması oldukça kritiktir. Literatürde kaynak tahsisi problemine farklı çözümler sunulmuştur. Makine öğrenmesi ile kaynak tahsisini tahmin etmeye çalışan çalışmalar olduğu gibi, derin öğrenme ile optimizasyon sağlamaya çalışan çalışmalar da bulunmaktadır. Tezde problem birden fazla algoritma ile çözülmeye çalışılmıştır. Bu sorunu çözmek için öncelikle Karışık Tamsayılı Doğrusal Programlama (MILP) çözücüsü olan Gurobi ile doğru sonuçlar alınmaya çalışılmıştır. Daha sonra Gurobi'yi diğer buluşsal çözümlerle farklı senaryolarda karşılaştırılmıştır.

Özet (Çeviri)

5G increased the speed and quality after 4G and enabled the development of new areas with the latest technology and advantages it brought. One of the groundbreaking technologies of 5g is network slicing. Network slicing simultaneously creates multiple virtual slices over the physical layer, enabling a single base station to customize those slices and improve its service according to different features and requirements. Thanks to network slicing, virtual slices with separate customizations have been created for the Internet of Things (IoT) or Ultra Reliable Low Latency Communications (URLLC), one of today's most rapidly developing technologies, enabling these areas to be integrated even faster. Resource allocation is one of the most significant areas that need improvement for network slicing. Resource allocation is the bandwidth that the base station should distribute to slices. It is critical to set this width correctly because if it is not set correctly, there may be disruptions in the users' service. Different solutions to the resource allocation problem have been presented in the literature. Among these, some studies aim to predict resource allocation with machine learning, and some papers also provide optimization with deep learning. In the thesis, the objective is to solve the problem with more than one algorithm. To solve this problem, it is attempted to get accurate results with Gurobi, a Mixed-Integer Linear Programming (MILP) solver. Afterward, Gurobi's results are compared with heuristic, Random, Balancing, Score-Based, and Reinforcement Learning solutions in different situations and scenarios. Resource allocation is the bandwidth that the base station should distribute to slices. It is critical to set this width correctly because if it is not set correctly, there may be disruptions in the users' service. Different solutions to the resource allocation problem have been presented in the literature. Among these, some studies aim to predict resource allocation with machine learning, and some papers also provide optimization with deep learning. In the thesis, the objective is to solve the problem with more than one algorithm. This thesis seeks to optimize and maximize the use of base stations and serve the maximum number of users. To solve this problem, it is attempted to get accurate results with Gurobi, a Mixed-Integer Linear Programming (MILP) solver. Afterward, Gurobi's results are compared with heuristic, Random, Balancing, Score-Based, and Reinforcement Learning solutions in different situations and scenarios.

Benzer Tezler

  1. Resource allocation mechanisms for end-to-end delay optimization of 5G URLLC services

    5G URLLC hizmetlerinin uçtan uca gecikme optimizasyonu için kaynak aktarım mekanizmaları

    HASAN ANIL AKYILDIZ

    Doktora

    İngilizce

    İngilizce

    2024

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN ALİ ÇIRPAN

    DR. İBRAHİM HÖKELEK

  2. Nesnelerin interneti platformları için makine öğrenmesi tabanlı bir tahmin modülü

    A machine learning based prediction module for internet of things platforms

    HALİL GÜLAÇAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YUSUF YASLAN

  3. Makine öğrenmesi yöntemleri kullanılarak radyo erişim ağları için dinamik radyo kaynak yönetimi

    Dynamic radio resource management for radio access networks by using machine learning techniques

    AYSUN ASLAN SARUHAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiHacettepe Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. CENK TOKER

  4. Gelecek nesil haberleşme sistemlerinde insansız hava araçları için kaynak yönetim teknikleri

    Resource management techniques for unmanned aerial vehicles in next generation communication systems

    UYGAR DEMİR

    Doktora

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiHacettepe Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. CENK TOKER

  5. Developing novel radio resource management techniques for 5G and beyond

    5G ve sonrası için özgün radyo kaynak yönetimi tekniklerinin geliştirilmesi

    AHMET YAZAR

    Doktora

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik Mühendisliğiİstanbul Medipol Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN ARSLAN