Γούδος, ΣωτήριοςΤτιρίττης, ΜηνάςΜηνάςΤτιρίττηςTtirittis, Menas2025-09-222025-09-222025-09-222025-05ΑΥΔ/2025/00165https://hdl.handle.net/11128/9407Περιέχει βιβλιογραφικές παραπομπές.Η ραγδαία εξέλιξη των τηλεπικοινωνιακών συστημάτων τα τελευταία έτη έχει οδηγήσει στην ανάγκη σχεδιασμού καινοτόμων προσεγγίσεων για τα δίκτυα επόμενης γενιάς. Τα δίκτυα 6G, τα οποία αναμένονται να αναπτυχθούν ευρέως κατά τη δεκαετία του 2030, υπόσχονται ριζικές αλλαγές στην υποδομή συνδεσιμότητας, προσφέροντας ταχύτητες της τάξης των Terabit ανά δευτερόλεπτο, σχεδόν μηδενική καθυστέρηση και καθολική υπερ-συνδεσιμότητα. Η παρούσα μεταπτυχιακή διατριβή εστιάζει στις τεχνολογικές συνιστώσες και τις αρχιτεκτονικές καινοτομίες των 6G δικτύων, με ιδιαίτερη έμφαση στις προκλήσεις ασφαλείας που ανακύπτουν στο πλαίσιο της ενσωμάτωσης τεχνητής νοημοσύνης, κβαντικών επικοινωνιών και κατανεμημένων υποδομών αιχμής. Στο θεωρητικό μέρος της εργασίας παρουσιάζονται τα βασικά τεχνολογικά θεμέλια των 6G συστημάτων, περιλαμβανομένης της αρχιτεκτονικής μηδενικής εμπιστοσύνης (Zero Trust), της κβαντικής κρυπτογράφησης, της υπολογιστικής στο edge, καθώς και των προκλήσεων που εγείρονται από την ευρεία χρήση IoT συσκευών. Παράλληλα, εξετάζεται η υφιστάμενη βιβλιογραφία σε σχέση με τους δημοφιλέστερους προσομοιωτές 6G δικτύων, όπως οι NS-3 και OMNeT++, οι οποίοι χρησιμοποιούνται για την ανάλυση συμπεριφοράς, επιδόσεων και ευπαθειών. Ωστόσο, η πρακτική υλοποίηση της παρούσας διατριβής δεν βασίστηκε στους εν λόγω προσομοιωτές. Αντί αυτών, σχεδιάστηκε και αναπτύχθηκε μια προσαρμοσμένη προσομοιωτική πλατφόρμα σε Python, με αρθρωτή αρχιτεκτονική που επιτρέπει την πλήρη παραμετροποίηση δικτυακών σεναρίων, την ενσωμάτωση αλγορίθμων μηχανικής μάθησης για ανίχνευση επιθέσεων (DDoS, anomalies), και την αξιολόγηση επιδόσεων με δείκτες QoS, QoE, ενεργειακής αποδοτικότητας και αξιοποίησης των κόμβων υπολογιστικής αιχμής. Τα πειραματικά αποτελέσματα τεκμηριώνουν την αποτελεσματικότητα της υλοποίησης, αναδεικνύοντας τη δυνατότητα ανίχνευσης επιθέσεων με υψηλή ακρίβεια μέσω μοντέλων LSTM, CNN-LSTM και Random Forest, καθώς και τη συμβολή του edge computing στη μείωση της καθυστέρησης και της κατανάλωσης πόρων.221 σ. ; 30 εκ.grinfo:eu-repo/semantics/openAccess6G NetworksΔίκτυα 6GΜεταπτυχιακή Διατριβήpdf