Βελτιστοποίηση μέσω βαθιάς ενισχυτικής μάθησης για ασφαλή εκφόρτωση δεδομένων σε ασύρματα δίκτυα

Βασιλάκος, Μιχαήλ; Vasilakos, Michail

dc.contributor.author	Βασιλάκος, Μιχαήλ	el
dc.contributor.author	Vasilakos, Michail	en
dc.date.accessioned	2024-09-24T08:05:29Z
dc.date.available	2024-09-24T08:05:29Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60259
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27955
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	Ασφάλεια φυσικού επιπέδου	el
dc.subject	Βαθιά ενισχυτική μάθηση	el
dc.subject	Συστήματα πολλαπλών πρακτόρων	el
dc.subject	Εκφόρτωση εργασιών	el
dc.subject	Κατανομή πόρων	el
dc.subject	Physical layer security	en
dc.subject	Deep reinforcement learning	el
dc.subject	Multi agent system	el
dc.subject	Task offloading	el
dc.subject	Resource allocation	el
dc.title	Βελτιστοποίηση μέσω βαθιάς ενισχυτικής μάθησης για ασφαλή εκφόρτωση δεδομένων σε ασύρματα δίκτυα	el
heal.type	bachelorThesis
heal.classification	Computer programming	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-05-16
heal.abstract	Η ευρεία διάδοση κινητών συσκευών καθώς και άλλων ασυρμάτων συσκευών περιορισμένης υπολογιστικής ισχύος έχει φέρει και την απαίτηση για εκτέλεση υπολογιστικά απαιτητικών εφαρμογών σε αυτές. Σε αυτό το πρόβλημα, τα Mobile Edge Computing (MEC) και Rate Splitting Multiple Access (RSMA) είναι τεχνικές που πιθανώς να ικανοποιήσουν τις υψηλές απαιτήσεις των εφαρμογών αυτών χωρίς να απαιτείται η χρήση νέων, ισχυρότερων συσκευών. Με βάση αυτές τις τεχνικές προτείνουμε ένα σύστημα MEC που χρησιμοποιεί RSMA όπου κινητοί χρήστες (Mobile Users - MUs) μπορούν να εκφορτώσουν (offload) ολόκληρες τις εργασίες τους ή μέρος αυτών στον edge server για εκτέλεση. Για το σκοπό αυτό απαιτείται η κατάλληλη επιλογή παραμέτρων του συστήματος, όπως το ποσοστό της εργασίας που θα εκφορτωθεί (splitting ratio), η ισχύς εκπομπής (transmit power) των δεδομένων αυτών και η σειρά αποκωδικοποίησης (decoding order) των μηνυμάτων που τα περιέχουν, με στόχο την ελαχιστοποίηση της κατανάλωσης ενέργειας και του χρόνου απόκρισης του συστήματος. Το παραπάνω πρόβλημα βελτιστοποίησης μπορεί να εκφραστεί ως Διαδικασία Απόφασης Markov (Markov Decision Process - MDP) και έτσι να μεταφερθεί σε μοντέλο Ενισχυτικής Μάθησης (Reinforcement Learning) και να λυθεί με τη μέθοδο Deep Deterministic Policy Gradient για πολλαπλούς πράκτορες (MADDPG). Για να βελτιώσουμε την εξερεύνηση στο στάδιο της εκμάθησης κάναμε χρήση προστιθέμενου θορύβου στη λήψη αποφάσεων.	el
heal.abstract	The widespread use of mobile devices as well as other wireless devices with limited computing power has created the requirement for computationally demanding applications to be executed on them. In this problem, Mobile Edge Computing (MEC) and Rate Splitting Multiple Access (RSMA) are paradigms that are likely to meet the high demands of these applications without requiring the use of newer, more powerful devices. Based on these techniques, we propose a MEC system which uses RSMA where Mobile Users (MUs) can offload all or part of their tasks to the edge server for execution. This requires the appropriate selection of system parameters such as the splitting ratio of the offloaded task, the transmit power for offloading this data and the decoding order of the messages containing it, in order to minimize the energy consumption and the system response time. The above optimization problem can be expressed as a Markov Decision Process (MDP) and thus can be transferred to a Reinforcement Learning model and solved by the Multi Agent Deep Deterministic Policy Gradient (MADDPG) method. To improve the exploration in the learning stage we made use of additive noise in the decision making. (en)	en
heal.advisorName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Ρουσσάκη, Ιωάννα	el
heal.committeeMemberName	Στάη, Ελένη	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	77 σ.	el
heal.fullTextAvailability	false