Προσομοίωση διάδοσης περιεχομένου σε ασύρματα οδικά δίκτυα (VANETs) με τη χρήση μεθόδων μηχανικής μάθησης

Αστρινάκης, Νικόλαος; Astrinakis, Nikolaos

dc.contributor.author	Αστρινάκης, Νικόλαος	el
dc.contributor.author	Astrinakis, Nikolaos	en
dc.date.accessioned	2023-04-10T09:25:46Z
dc.date.available	2023-04-10T09:25:46Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/57536
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.25233
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Οδικά ad-hoc δίκτυα	el
dc.subject	∆ιάδοση Περιεχοµένου	el
dc.subject	Μη επιβλεπόµενη µάθηση	el
dc.subject	Νευρωνικά ∆ίκτυα	el
dc.subject	Ανάλυση Κοινωνικών ∆ικτύων	el
dc.subject	Vehicular ad-hoc networks	en
dc.subject	Social Network Analysis	en
dc.subject	Content Distribution	en
dc.subject	Neural Networks	en
dc.subject	Unsupervised Learning	en
dc.title	Προσομοίωση διάδοσης περιεχομένου σε ασύρματα οδικά δίκτυα (VANETs) με τη χρήση μεθόδων μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Ανάλυση Κοινωνικών Δικτύων	el
heal.classification	Social Network Analysis	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-03-06
heal.abstract	Η παρούσα διπλωματική εργασία έχει ως στόχο τη δημιουργία προσομοιώσεων ενός ad-hoc οδικού δικτύου και την εφαρμογή διαφόρων μεθόδων διάδοσης περιεχομένου σε αυτές, ώστε να συγκρίνουμε την αποδοτικότητα τους. Η ανάλυση των ad-hoc οδικών δικτύων είναι πολύ σημαντική, καθώς μέσα από αυτή μπορούμε να βελτιώσουμε την οδική ασφάλεια και να κάνουμε την διαδικασία της οδήγησης πιο άνετη. Ο τρόπος µε τον οποίο έγιναν αυτές οι προσομοιώσεις ήταν µε τη χρήση των εργαλείων OMNET++, Veins και SUMO. Αναλυτικότερα, γράφτηκε κώδικας ώστε να προστεθούν διάφορες λειτουργίες στις έτοιμές προσομοιώσεις του Veins. Οι βασικότερες εξ αυτών των λειτουργιών είναι η δυνατότητα υπολογισμού διαφόρων μετρικών του δικτύου, η δημιουργία πολιτικών διαγραφής και αποθήκευσης δεδομένων καθώς και ο ορισμός πολιτικών για την διάδοση περιεχομένου. Ταυτόχρονα, υπάρχει και η δυνατότητα χρήσης αλγορίθμων µηχανικής μάθησης ώστε να καθοριστεί πιο εύκολα και γρήγορα ο βέλτιστος τρόπος διάδοσης περιεχομένου. Οι αλγόριθμοι αυτοί κάνουν χρήση προεκπαιδευµένων µοντέλων νευρωνικών δικτύων της βιβλιοθήκης scikit-learn. Με αυτές τις λειτουργίες, µπορούµε να εκτελέσουµε την προσομοίωση, θέτοντας τις παραμέτρους που επιθυμούμε (όπως για παράδειγμα τι είδος µετρικών θα χρησιμοποιηθούν) και να µετρήσουµε τους χρόνους απόκρισης, ώστε να έχουμε µία εικόνα για το ποιες µετρικές και πολιτικές είναι αποδοτικότερες για την μετάδοση περιεχομένου.	el
heal.abstract	The main goal of this diploma thesis is the creation of different simulation scenarios for Vehicular ad-hoc networks and the application of content distribution policies, in order to compare their effectiveness. To achieve this goal, the Discrete Event Simulator OMNET++, alongside with Veins and SUMO were used. More specifically, the code written adds various functionalities to the pre-existing Veins simulations. The most noteworthy out of those functionalities include metrics calculations and the implementation of caching and content distribution policies. At the same time, machine learning algorithms can be used to easily and quickly predict the best way to distribute content to the nodes of the network. These algorithms are pre-trained neural network models from the scikit-learn Python library. Using these new functions, we can run many different simulations, specifying the parameters we want each simulation to have (such as the type of metric used) and measure the response times, in order to determine which metrics and policies are better for content distribution.	en
heal.advisorName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Ρουσσάκη, Ιωάννα	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Παπαβασιλείου, Συμεών	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	100 σ.	el
heal.fullTextAvailability	false
heal.fullTextAvailability	false