NobleBlocks

Research index

Τεχνικές της μηχανικής μάθησης για την βελτιστοποίηση των ευρυζωνικών δικτύων

Φουράκης

University of West Attica10 Apr 2024Open access

NobleIDark:/48914/w1/20260524/15F1C37ADOI10.26265/polynoe-6301

Free to read at the publisher

You can read the abstract here, or the full text at the publisher.

Read at the publisher

Abstract

Η συνεχή ζήτηση των χρηστών για ταχύτερες συνδέσεις, ποιοτικότερες και σταθερές υπηρεσίες και οι νέες τεχνολογίες του σήμερα, ανάγκασαν τους φορείς να αναπτύξουν τεχνικές για την ευρυζωνική κάλυψη, αξιοπιστία και ταχύτητα στην λήψη και μεταφορά των δεδομένων. Η ανάπτυξη των κέντρων δεδομένων, οι νέες τεχνολογίες οπτικών ινών και τα δίκτυα πέμπτης γενιάς, είναι από τις πιο σύνηθες τεχνολογίες, οι οποίες χρησιμοποιούνται καθημερινά από τους χρήστες για την κάλυψη των αναγκών τους. Συχνά υπάρχει το φαινόμενο της συμφόρησης λόγω υψηλής ζήτησης των υπηρεσιών ή μεγάλη κίνηση ροής, η οποία διαφέρει κατά την περιοχή και το χρονικό διάστημα. Επιπλέον η διαχείριση των πόρων αλλά και οι προτεραιότητες που θα δοθούν στους χρήστες, συνδέονται άμεσα με την τοπολογία, την χρήση, τους συνδρομητές που είναι ήδη στο αντίστοιχο δίκτυο και τις υπηρεσίες. Σημαντική επίσης είναι και η επεκτασιμότητα των διαθέσιμων κέντρων δεδομένων, για την ευελιξία και αξιοπιστία των δικτύων και των κέντρων. Επιπλέον η υψηλή κατανάλωση ενέργειας, έχει κάνει τους επιστήμονες να επικεντρωθούν σε νεότερες τεχνολογίες, οι οποίες θα μας επιφέρουν υψηλότερες επιδόσεις με μικρότερη κατανάλωση ενέργειας. Γενικότερα, όλες αυτές τις αναφερόμενες προκλήσεις, μπορούμε να τις προσεγγίσουμε και να τις διαχειριστούμε αποτελεσματικά μέσω της μηχανικής μάθησης, η οποία θα μπορεί σε πραγματικό χρόνο να ταξινομεί, να φιλτράρει και να επαναυπολογίζει διαδρομές στην ροή, ώστε να μπορούν να οριστούν τόσο οι αρχιτεκτονικές, για την δημιουργία του αντίστοιχου δικτύου, όσο και οι πόροι που θα χρειαστούν.

Discussion

Topics

More

Suggest a correction or report