Μελέτη και υλοποίηση μεθόδων βαθιάς μηχανικής μάθησης
για την εκτίμηση της δικτυακής κίνησης

Μαράτος, Πέτρος; Maratos, Petros

dc.contributor.author	Μαράτος, Πέτρος	el
dc.contributor.author	Maratos, Petros	en
dc.date.accessioned	2025-01-24T07:53:04Z
dc.date.available	2025-01-24T07:53:04Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60943
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28639
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	Τομογραφία δικτύου	el
dc.subject	Παρακολούθηση δικτύου	el
dc.subject	Εκτίμηση πίνακα κίνησης	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Αντιστρέψιμα νευρωνικά δίκτυα	el
dc.subject	Network tomography	en
dc.subject	Traffic matrix estimation	en
dc.subject	Network monitoring	en
dc.subject	Machine learning	en
dc.subject	Invertible neural networks	en
dc.title	Μελέτη και υλοποίηση μεθόδων βαθιάς μηχανικής μάθησης για την εκτίμηση της δικτυακής κίνησης	el
heal.type	bachelorThesis
heal.classification	Δίκτυα υπολογιστών	el
heal.classification	Μηχανική μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-09-16
heal.abstract	Ο πίνακας κίνησης είναι μια αφηρημένη δομή που περιγράφει την δικτυακή κίνηση (σε πακέτα ή bits ανά δευτερόλεπτο) που μεταφέρεται μεταξύ όλων των ζευγών ακραίων κόμβων μιας δικτυακής τοπολογίας. Η δομή αυτή καθίσταται ιδιαίτερα χρήσιμη στους διαχειριστές δικτύων μεγάλης κλίμακας για τον σχεδιασμό, την παρακολούθηση και την επίλυση προβλημάτων. Δυστυχώς, η απευθείας μέτρηση του πίνακα κίνησης είναι ακριβή υπολογιστικά και οδηγεί στην παραγωγή σημαντικού όγκου διαχειριστικών μηνυμάτων. Μια εναλλακτική λύση είναι η χρήση των ομαδοποιημένων φορτίων κίνησης που διέρχονται από τις ζεύξεις της τοπολογίας (και που μπορούν να αποκτηθούν εύκολα μέσω SNMP) ως δεδομένα για την έμμεση εξαγωγή του πίνακα κίνησης. Το πρόβλημα αυτό είναι γνωστό ως Εκτίμηση Πίνακα Κίνησης και ανήκει στην γενικότερη κατηγορία προβλημάτων της Τομογραφίας Δικτύου. Με δεδομένο ότι το πλήθος των ακραίων κόμβων είναι μεγαλύτερο από τον αριθμό των ζεύξεων του δικτύου, η Εκτίμηση Πίνακα Κίνησης μοντελοποιείται ως ένα γραμμικό αντίστροφο πρόβλημα που είναι υπό-ορισμένο (ill-posed), δηλαδή δεν επιδέχεται μοναδική λύση για είσοδο ενός συγκεκριμένου διανύσματος φορτίων ζεύξεων. Μια κατηγορία μοντέλων Βαθιάς Μηχανικής Μάθησης ειδικά σχεδιασμένη για την επίλυση αυτού του τύπου προβλημάτων είναι τα Αντιστρέψιμα Νευρωνικά Δίκτυα. Τα μοντέλα αυτά είναι εκ κατασκευής αντιστρέψιμα και κατόπιν εκπαίδευσης πάνω σε ένα γνωστό μετασχηματισμό δύνανται να αναπαραστήσουν και την αντίστροφη διαδικασία. Στην παρούσα εργασία κατασκευάζουμε μια αρχιτεκτονική Αντιστρέψιμου Νευρωνικού Δικτύου η οποία χρησιμοποιείται ως κύριος υπολογιστικός πυρήνας σε τρεις διαφορετικούς τρόπους εκπαίδευσης και λειτουργίας, με τον τελευταίο να μπορεί να παράγει και ρεαλιστικούς συνθετικούς πίνακες κίνησης. Επιπλέον τα τρία αυτά μοντέλα συνοδεύονται από ένα στάδιο προ-επεξεργασίας για την μείωση της διάστασης της εισόδου (τα Αντιστρέψιμα Νευρωνικά Δίκτυα επιβάλλουν οι διαστάσεις της εισόδου και της εξόδου να ταυτίζονται) το οποίο μοντελοποιείται μέσω ενός Αυτοκωδικοποιητή. Οι προτεινόμενες μέθοδοι αξιολογούνται πειραματικά πάνω σε ένα δημόσια διαθέσιμο δίκτυο κορμού, και συγκρίνονται τόσο μεταξύ τους όσο και με καθιερωμένες μεθόδους της βιβλιογραφίας με τα Αντιστρέψιμα Νευρωνικά Δίκτυα να εμφανίζουν πολύ ανώτερη απόδοση.	el
heal.advisorName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Στάη, Ελένη	el
heal.committeeMemberName	Ρουσσάκη, Ιωάννα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	115 σ.	el
heal.fullTextAvailability	false