Βαθιά ενίσχυση της μάθησης στις επικοινωνίες και τη δικτύωση
Επιτομή
Στην παρούσα διατριβή παρουσιάζονται οι διάφορες τεχνικές που υπάρχουν στη βιβλιογραφία και πραγματεύονται τη βαθιά ενίσχυση της μάθησης (Deep Reinforcement Learning - DRL) στις επικοινωνίες και τη δικτύωση. Τα τελευταία χρόνια με τη ραγδαία τεχνολογική ανάπτυξη, τα δίκτυα, όπως αυτά των Internet of Things αλλά και των μη επανδρωμένων οχημάτων (Unmanned Aerial Vehicles – UAV), γίνονται πιο αποκεντρωμένα και αυτόνομα. Στα παραπάνω δίκτυα, οι οντότητες δικτύου, για να μεγιστοποιήσουν την απόδοσή του, πρέπει να λαμβάνουν αποφάσεις όσο το δυνατόν αυτόνομα και τοπικά, πάντοτε υπό την αβεβαιότητα του περιβάλλοντος δικτύου. Στις περιπτώσεις που τα ανωτέρω περιβάλλοντα αφορούν σε περιορισμένους χώρους, η ενίσχυση μάθησης (Reinforcement Learning) μπορεί να χρησιμοποιηθεί αποτελεσματικά για να επιτρέψει στις οντότητες να αποφασίσουν τη βέλτιστη πολιτική. Στις περιπτώσεις, όμως που ο χώρος δράσης είναι μεγάλος και τα δίκτυα πολύπλοκα, η ενίσχυση μάθησης δεν μπορεί να είναι αποτελεσματική στην εύρεση της βέλτιστης πολιτικής. Αυτό κενό έρχεται να καλύψει η DRL, που είναι ένας συνδυασμός ενίσχυσης μάθησης με βαθιά μάθηση. Η διατριβή παρουσιάζει θεμελιώδεις έννοιες της DRL, τα πιο προηγμένα μοντέλα της καθώς και επιχειρεί να εξετάσει ζητήματα δυναμικής πρόσβασης στο δίκτυο, ελέγχου ρυθμού δεδομένων, ασύρματης προσωρινής αποθήκευσης, εκφόρτωσης δεδομένων, ασφάλειας δικτύου και συντήρησης συνδεσιμότητας που είναι όλα σημαντικά για δίκτυα επόμενης γενιάς, όπως το 5G και πέραν αυτών.