| dc.contributor.advisor | Βουγιούκας, Δημοσθένης | |
| dc.contributor.author | Ζιάμος, Ιωάννης | |
| dc.contributor.other | Ziamos, Ioannis | |
| dc.coverage.spatial | Κύπρος | el_GR |
| dc.date.accessioned | 2022-04-12T10:36:38Z | |
| dc.date.available | 2022-04-12T10:36:38Z | |
| dc.date.copyright | 2022-04-12 | |
| dc.date.issued | 2021-11 | |
| dc.identifier.other | ΣΑΕ/2021/00032 | el_GR |
| dc.identifier.uri | http://hdl.handle.net/11128/5125 | |
| dc.description | Περιέχει βιβλιογραφικές παραπομπές. | el_GR |
| dc.description.abstract | 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. | el_GR |
| dc.format.extent | vi, 112 σ. ; 30 εκ. | el_GR |
| dc.language | gr | el_GR |
| dc.language.iso | gr | el_GR |
| dc.publisher | Ανοικτό Πανεπιστήμιο Κύπρου | el_GR |
| dc.rights | info:eu-repo/semantics/closedAccess | el_GR |
| dc.subject | Internet of Things | el_GR |
| dc.subject | Reinforcement Learning | el_GR |
| dc.subject | Ενισχυτική Μάθηση | el_GR |
| dc.title | Βαθιά ενίσχυση της μάθησης στις επικοινωνίες και τη δικτύωση | el_GR |
| dc.type | Μεταπτυχιακή Διατριβή | el_GR |
| dc.description.translatedabstract | This thesis presents the various techniques available in the literature that deal with Deep Reinforcement Learning (DRL) in communications and networking. In recent years, with the rapid technological development, the networks, such as those of the Internet of Things but also of the Unmanned Aerial Vehicles (UAV), are becoming more decentralized and autonomous. In the above networks, the network entities, in order to maximize its efficiency, must make decisions as autonomously and locally as possible, always under the uncertainty of the network environment. In cases where the above environments are limited, Reinforcement Learning can be used effectively to enable entities to decide on the best policy. However, in cases where the action space is large and the networks are complex, Reinforcement Learning may not be effective in finding the best policy. This gap is being filled by DRL, which is a combination of Reinforcement Learning with deep learning. The thesis introduces fundamental concepts of DRL, its most advanced models and attempts to address issues of dynamic network access, data rate control, wireless caching, data offloading, network security and connectivity preservation that are all important to next generation networks 5G and beyond. | el_GR |
| dc.format.type | pdf | el_GR |
