Μελέτη και υλοποίηση μεθόδων βαθιάς μηχανικής μάθησης για την
πρόβλεψη δικτυακής κίνησης

Καλαϊτζής, Αλέξανδρος; Kalaitzis, Alexandros

dc.contributor.author	Καλαϊτζής, Αλέξανδρος	el
dc.contributor.author	Kalaitzis, Alexandros	en
dc.date.accessioned	2024-01-16T10:30:18Z
dc.date.available	2024-01-16T10:30:18Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58573
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26269
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Πρόβλεψη Πίνακα Κίνησης	el
dc.subject	Πίνακας Κίνησης	el
dc.subject	Πρόβλεψη Χρονοσειράς	el
dc.subject	Τεχνητή Νοημοσύνη	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	ConvLSTM	en
dc.subject	CNN-LSTM	en
dc.title	Μελέτη και υλοποίηση μεθόδων βαθιάς μηχανικής μάθησης για την πρόβλεψη δικτυακής κίνησης	el
heal.type	bachelorThesis
heal.classification	Επιστήμη Υπολογιστών	el
heal.classification	Δίκτυα	el
heal.classification	Βαθιά Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-07-13
heal.abstract	Η γνώση της δικτυακής κίνησης έχει κομβική σημασία στις μέρες μας. Ωστόσο, παρά την σημασία της παρακολούθησης της κίνησης, οι δικτυακές συσκευές δεν έχουν την δυνατότητα της μέτρησης όλων των δεδομένων σε πραγματικό χρόνο. Για τον λόγο αυτό είναι πολύ σημαντική η πρόβλεψη της μελλοντικής κίνησης του δικτύου. Πολλές λειτουργίες διαχείρισης δικτύου, όπως ο σχεδιασμός του δικτύου και η διαμόρφωση των πολιτικων δρομολόγησης, βασίζονται στην πρόβλεψη μελλοντικής κίνησης. Η κύρια δυσκολία του προβλήματος της πρόβλεψης δικτυακής κίνησης είναι το πως θα μοντελοποιηθούν οι σχέσεις μεταξύ του συνόλου δεδομένων κίνησης, ώστε να μπορεί κανείς να προβλέψει τη μελλοντική κυκλοφορία. Ένας Πίνακας Κίνησης (Traffic Matrix) περιέχει τον όγκο της κυκλοφορίας μεταξύ όλων τον κόμβων ενός δικτύου. Η ανίχνευση και επεξεργασία των χρονικών και χωρικών εξαρτήσεων των πινάκων κίνησης είναι απαραίτητη για την λύση αυτού του προβλήματος. Στην παρούσα διπλωματική εργασία αρχικά περιγράφουμε τη δομή του Πίνακα Κίνησης και τις εφαρμογές του. Έπειτα, περιγράφουμε το πρόβλημα της Εκτίμησης Πίνακα Κίνησης (Traffic Matrix Estimation) και κάνουμε μια αναλυτική αναφορά στον τρόπο αντιμετώπισης αυτού του προβλήματος από παλαιότερες εργασίες. Η κύρια συνεισφορά της εργασίας αυτής είναι η αντιμετώπιση του προβλήματος της Πρόβλεψης Δικτυακής Κίνησης (Traffic Matrix Prediction). Αρχικά, αναφέρονται διάφορες εργασίες και οι τεχνικές που χρησιμοποιήθηκαν για την αντιμετώπιση αυτού του προβλήματος. Οι τεχνικές αυτές διαχωρίζονται σε γραμμικά μοντέλα και σε μοντέλα Νευρωνικών Δικτύων (Neural Networks). Εμείς ασχολούμαστε κυρίως με τα μοντέλα Νευρωνικών Δικτύων καθώς αυτά έχουν την δυνατότητα να ανιχνεύσουν τις χωροχρονικές εξαρτήσεις των δεδομένων. Για τον λόγο αυτό αναλύουμε το θεωρητικό υπόβαθρο των Νευρωνικών Δικτύων και γενικότερα της Μηχανικής Μάθησης (Machine Learning). Στο πρακτικό μέρος της εργασίας, με τη βοήθεια της Βαθιάς Μάθησης (Deep Learning) αναπτύσσουμε και εκπαιδεύουμε 6 μοντέλα, ώστε να επιτευχθούν οι καλύτερες δυνατές προβλέψεις δικτυακής κίνησης. Τα μοντέλα αυτά είναι το ConvLSTM, το CNN-LSTM, το LSTM, το BiLSTM, το GRU και το SimpleRNN. Έπειτα, αξιολογούμε της απόδοσης των προτεινόμενων μεθόδων, χρησιμοποιώντας δύο διαθέσιμα σύνολα δεδομένων που έχουν καταγραφεί σε δύο πραγματικά δίκτυα. Τέλος, αναλύουμε την επίδοση των μοντέλων ως προς την ακρίβεια πρόβλεψης και ως προς τον χρόνο εκπαίδευσης προκειμένου να είναι ξεκάθαρη η αποτελεσματικότητα, οι χρονικές απαιτήσεις και ο όγκος των πόρων που απαιτεί κάθε μοντέλο.	el
heal.advisorName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Καρυώτης, Βασίλειος	el
heal.committeeMemberName	Ρουσσάκη, Ιωάννα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής. Εργαστήριο Διαχείρισης και Βέλτιστου Σχεδιασμού Δικτύων	el
heal.academicPublisherID	ntua
heal.numberOfPages	137 σ.	el
heal.fullTextAvailability	false