Εξισορρόπηση Φορτίου σε Δορυφορικά Δίκτυα με
Χρήση Θεωρίας Παιγνίων και Μετανοητικής Μάθησης

Μποβολής, Χρήστος Αναστάσιος; Bovolis, Christos Anastasios

dc.contributor.author	Μποβολής, Χρήστος Αναστάσιος	el
dc.contributor.author	Bovolis, Christos Anastasios	en
dc.date.accessioned	2025-12-08T06:53:39Z
dc.date.available	2025-12-08T06:53:39Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/63002
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30698
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
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	Εξισορρόπηση Φορτίου	el
dc.subject	Εκφόρτωση Υπολογισμών	el
dc.subject	Στοχαστικά Παίγνια	el
dc.subject	Παίγνια Δυναμικού	el
dc.subject	Μετανοητική Μάθηση	el
dc.subject	Load Balancing	en
dc.subject	Computation Offloading	en
dc.subject	Stochastic Games	en
dc.subject	Potential Games	en
dc.subject	No-Regret Learning	en
dc.title	Εξισορρόπηση Φορτίου σε Δορυφορικά Δίκτυα με Χρήση Θεωρίας Παιγνίων και Μετανοητικής Μάθησης	el
dc.title	Load Balancing in Satellite Networks Using Game Theory and No-Regret Learning	en
dc.contributor.department	Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.type	bachelorThesis
heal.classification	Δίκτυα Επικοινωνιών	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-07-01
heal.abstract	Η παρούσα διπλωματική εργασία διερευνά το πρόβλημα της εξισορρόπησης φορτίου σε Δορυφορικές Υποδομές Υπολογιστικής Παρυφής (Satellite Edge Computing - SEC). Στο πλαίσιο αυτό, επίγειοι χρήστες του Διαδικτύου των Πραγμάτων (Internet of Things - IoT) αναθέτουν υπολογιστικές διεργασίες σε δορυφορικούς εξυπηρετητές για κατανεμημένη επεξεργασία. Η ετερογένεια των διεργασιών αυτών και η στοχαστικότητα της άφιξής τους οδηγεί σε ανισοκατανομή του φορτίου μεταξύ των δορυφόρων. Στόχος είναι η ανάπτυξη μηχανισμών βέλτιστης εξισορρόπησης, με σκοπό τη χρονική και ενεργειακή αποδοτικότητα, αλλά και τη δικαιοσύνη (fairness). Η προτεινόμενη στρατηγική ακολουθεί μια επαναληπτική διαδικασία που περιλαμβάνει: (i) επιλογή κατάλληλου δορυφόρου-στόχου για κάθε δορυφόρο-πηγή σε κάθε γύρο, και (ii) προσδιορισμό της βέλτιστης ποσότητας φορτίου προς εκφόρτωση. Η τελευταία βασίζεται σε ένα ντετερμινιστικό κανόνα, ενώ η επιλογή στόχου μοντελοποιείται με παιγνιο-θεωρητικούς μηχανισμούς που λαμβάνουν υπόψη πραγματικούς τηλεπικοινωνιακούς περιορισμούς. Οι μηχανισμοί αυτοί διακρίνονται σε στοχαστικά παίγνια (stochastic games), καθώς και θορυβώδη παίγνια δυναμικού (potential games) σε μη ανατροφοδοτούμενα (bandit) ή ημιανατροφοδοτούμενα (semi-bandit) περιβάλλοντα. Για την επίλυση αυτών των παιγνίων αξιοποιούνται τεχνικές της Μετανοητικής Μάθησης (No-Regret Learning), με κύριο εργαλείο την παραλλαγή ε-Hedge του Αλγορίθμου Εκθετικών Βαρών (Exponential Weights Algorithm - EWA), η οποία προσφέρει εγγυήσεις σύγκλισης σε δ-ισορροπίες και ισορροπίες Nash για τα μοντέλα που βασίζονται σε παίγνια δυναμικού. Παρουσιάζονται επίσης ενεργειακά αποδοτικές επεκτάσεις των διατυπώσεων των παιγνίων, που επιτρέπουν το συμβιβασμό μεταξύ εξισορρόπησης φορτίου και ενεργειακής κατανάλωσης. Τα αποτελέσματα προσομοιώσεων καταδεικνύουν αποτελεσματική εξισορρόπηση φορτίου, με το μη ανατροφοδοτούμενο παίγνιο δυναμικού να ξεχωρίζει λόγω της υψηλής του απόδοσης, των εγγυήσεων σύγκλισης και της πλήρως αποκεντρωμένης, επεκτάσιμης φύσης του. Περαιτέρω αξιολογήσεις επιβεβαιώνουν την ανθεκτικότητα της προσέγγισης αυτής υπό διαφορετικά επίπεδα φόρτου συστήματος, τοπολογίες δικτύων και παραμέτρους εκμάθησης.	el
heal.abstract	This thesis investigates the challenge of load balancing in Satellite Edge Computing (SEC) environments. In this context, ground-based Internet of Things (IoT) users offload computational tasks to satellite servers for distributed processing. The heterogeneity of these tasks and the stochastic nature of their arrival lead to an uneven workload distribution among the satellites. The objective is to develop optimal load-balancing mechanisms aimed at achieving temporal and energy efficiency, as well as fairness. The proposed strategy follows an iterative two-fold process: (i) selecting an appropriate target satellite for each source satellite in every round, and (ii) determining the optimal load amount to offload. While a deterministic approach governs load amount selection, the target selection leverages game-theoretic mechanisms that account for communication-specific constraints.These mechanisms include a stochastic game formulation, along with noisy potential games modeled in both bandit and semi-bandit frameworks. The solution of these games utilizes No-Regret Learning techniques, particularly through implementation of the ε-Hedge variant of the Exponential Weights Algorithm (EWA), which offers convergence guarantees to δ-equilibria and Nash equilibria for the potential game-based models. Energy-aware extensions of the game formulations are also proposed, allowing for a trade-off between load balancing and energy efficiency. Simulation results demonstrate effective load balancing, with the potential game in the bandit setting standing out due to its strong performance, convergence guarantees, and fully decentralized, scalable nature. Further evaluations confirm the robustness of this approach under varying system loads, network topologies, and learning parameters.	en
heal.advisorName	Παπαβασιλείου, Συμεών
heal.committeeMemberName	Ρουσσάκη, Ιωάννα
heal.committeeMemberName	Στάη, Ελένη
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	69
heal.fullTextAvailability	false