Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/28151Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Τουλατζής, Βασίλειος | el |
| dc.date.accessioned | 2017-09-21T08:44:51Z | - |
| dc.date.available | 2017-09-21T08:44:51Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/28151 | - |
| dc.identifier.uri | http://dx.doi.org/10.26268/heal.uoi.2261 | - |
| dc.rights | Default License | - |
| dc.subject | Οπορτουνιστικά δίκτυα | el |
| dc.subject | Opportunistic networks | en |
| dc.subject | Αλγόριθμοι δικτύωσης | el |
| dc.title | Δρομολόγηση σε οπορτουνιστικά δίκτυα με αρχές μηχανικής μάθησης | el |
| dc.title | Routing techiques in opportunistic networks with principles of machine learning | en |
| heal.type | masterThesis | - |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Ηλεκτρονικοί υπολογιστές -- Δίκτυα | el |
| heal.dateAvailable | 2017-09-21T08:45:51Z | - |
| heal.language | el | - |
| heal.access | free | - |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Θετικών Επιστημών. Τμήμα Μηχανικών Η/Υ & Πληροφορικής | el |
| heal.publicationDate | 2017 | - |
| heal.bibliographicCitation | Βιβλιογραφία : σ. 76-78 | el |
| heal.abstract | Η παρούσα μεταπτυχιακή εργασία επικεντρώνεται στην δρομολόγηση σε οπορ- τουνιστικά δίκτυα (ΟppNets). Τα οπορτουνιστικά δίκτυα περιγράφουν το παρά- δειγμα δικτύωσης για κινητούς χρήστες στα πλαίσια των δικτύων πέμπτης γενιάς. Πρόκειται για δίκτυα στα οποία δεν υπάρχει και δεν είναι απαραίτητη μία δι- κτυακή υποδομή για την επικοινωνία των κόμβων. Ένας κόμβος κινείται και επι- κοινωνεί κατά τις επαφές του με άλλους κόμβους του δικτύου. Η επαφή (contact) δύο κόμβων στο δίκτυο επιτυγχάνεται όταν ο ένας κόμβος εισέρχεται στην εμβέ- λεια του άλλου και είναι δυνατή η ανταλλαγή μηνυμάτων. Έτσι ένα μονοπάτι στο δίκτυο σχηματίζεται δυναμικά και αποτελείται από ένα πλήθος επαφών. Οι συν- δέσεις μεταξύ των κόμβων είναι παροδικές και όχι μόνιμες. Αποτέλεσμα είναι ένα οπορτουνιστικό δίκτυο να μην είναι συνδεδεμένο από άκρη σε άκρη. Όπως η επικοινωνία έτσι και η δρομολόγηση πακέτων επιτυγχάνεται με την συμβολή κάθε κόμβου στο δίκτυο. Ένας κόμβος κινείται, αποθηκεύει, μεταφέρει και προωθεί πακέτα δεδομένων στους άλλους κόμβους του δικτύου. Οι αλγόριθμοι δρομολόγησης χρησιμοποιούν είτε ένα είτε πολλαπλά αντίτυπα ενός πακέτου στο δίκτυο. Η δεύτερη κατηγορία αποτελεί την αποτελεσματικότερη εκδοχή αλγορίθμων αφού η ύπαρξη αντιτύπων οδηγεί σε μεγαλύτερα ποσοστά επιτυχούς παράδοσης και σε μικρότερες καθυστερήσεις. Ωστόσο, βασικό ζήτημα στην κατηγορία αυτή αποτελεί η κατανάλωση ενέργειας στην οποία οδηγεί ο μεγάλος αριθμός μεταδό- σεων στο δίκτυο. Μια υποκατηγορία των αλγορίθμων δρομολόγησης με αντίτυπα, η οποία επικεντρώνεται στο παραπάνω ζήτημα είναι η δρομολόγηση με δυναμική δη- μιουργία αντιτύπων. Οι αλγόριθμοι αυτοί χρησιμοποιούν μια μετρική αξιολόγησης των κόμβων του δικτύου, η οποία καλείται Utility (ωφέλεια). Η μετρική αυτή προ- σομοιώνει την ικανότητα ενός κόμβου για προώθηση ή/και παράδοση ενός πακέτου στον κόμβο προορισμό. Όσο μεγαλύτερη είναι η τιμή του Utility τόσο καταλληλό- τερος για παράδοση θεωρείται ένας κόμβος. H παραπάνω μετρική χρησιμοποιείται στην πράξη για την απόφαση δημιουργίας και προώθησης αντιτύπων. Οι αλγόριθ- μοι με δυναμική δημιουργία αντιτύπων δημιουργούν αντίγραφα συγκρίνοντας την ωφέλεια του κόμβου που έρχεται σε επαφή με αυτή του κόμβου που μεταφέρει το πακέτο ή ακόμα και με τη μεγαλύτερη τιμή που έχει καταγραφεί κατά το παρελθόν. Ωστόσο, η παρατήρησή μας είναι ότι η στρατηγική αυτή μπορεί να οδηγήσει στη δημιουργία μεγάλου πλήθους αντιτύπων. Αυτό συμβαίνει γιατί αυτή η ”συγκριτική” προσέγγιση δεν εξετάζει πόσο σημαντική είναι η βελτίωση που επιτυγχάνεται με την απόφαση δημιουργίας ενός αντιτύπου. Η εργασία αυτή βασίστηκε στην παραπάνω παρατήρηση έτσι ώστε να ορίσουμε ένα καλύτερο κριτήριο απόφασης για την δημιουργία αντιτύπων στο δίκτυο. Στόχος μας είναι η περαιτέρω μείωση της κατανάλωσης ενέργειας, δίχως όμως να θυσιά- ζουμε την ικανότητα παράδοσης των πακέτων. Προτείνουμε μια επέκταση των μη- χανισμών δρομολόγησης με δυναμική δημιουργία αντιτύπων, όπου χρησιμοποιούμε αρχές μηχανικής μάθησης. Στην προσέγγισή μας, ένας χρήστης που μεταφέρει ένα πακέτο χρησιμοποιεί αρχές μηχανικής μάθησης ώστε να αποφασίσει κατά πόσο η ωφέλεια ενός κόμβου που έρχεται σε επαφή τον κατατάσσει ως ένα σημαντικό κόμβο στο δίκτυο. Με τον τρόπο αυτό μπορεί να λάβει καλύτερες αποφάσεις για τη δημιουργία αντιτύπων. Κατά συνέπεια, καταφέρνουμε μέσω της μηχανικής μά- θησης να εξάγουμε την επιθυμητή πληροφορία γενικής κατάταξης ενός κόμβου στο δίκτυο και επιτυγχάνουμε αξιοσημείωτες μειώσεις στην κατανάλωση ενέργειας σε κάθε περίπτωση αλγορίθμου. Δείχνουμε ότι η προσέγγισή μας μπορεί να βελτιώσει την απόδοση σε διαφορετικά δίκτυα και ανεξάρτητα του τρόπου κατασκευής του Utility. | el |
| heal.abstract | In the present thesis, we investigate routing techniques with low-level energy consumption in wireless opportunistic networks (OppNets). Such networks are foreseen to be key elements in future 5G networks. Networks of this type are self-organized with no need of fixed infrastructure. Communication is possible in a contact basis, i.e when moving nodes come into range of one another. In opportunistic networks every node has to act like a router due to intermittent connectivity. Therefore, paths in this type of networks are dynamically formed and consist of a sequence of contacts. The path from source to destination does not necessarily exist or is randomly formed. This is the main reason why traditional routing techniques fail in OppNets. Routing algorithms in opportunistic networks are based on store, carry and forward scheme. In many cases of routing algorithms, there is no control in forwarding procedure. Consequently, a technique that estimates in which candidate a node should forward a packet is necessary. The key to estimate the ability of a node to forward or/and deliver a packet is a metric called Utility. Each network node calculates locally its Utility value. This process is called Utility Estimation. In any contact with another network, node compares this value with the other node’s value to resolve if it’s time to forward a packet. Routing algorithms construct a Utility by different ways. A routing strategy is also significant for routing process. Routing strategy is the way an algorithm uses and exploits the Utility. In particular, it focuses on creating forwarding decision rules by using a Utility. A routing strategy uses either a single or multi copy of a packet. This is the main categorization of routing algorithms. Most well-known routing strategy is packet replication which uses multiple copies (replicas). Packet replication maximizes the delivery efficiency, but it can remarkably increase the number of transmissions. This consequently means a huge impact on the energy consumption. A subcategory of multi-copy routing algorithms, which tends to decrease forwards is dynamic replication. Dynamic replication uses a Utility for making decisions of packet replication in every contact. A node creates a replica if and only if a contact with another network node exists and the Utility value of this node is higher than its value or higher than the highest Utility value (threshold) that this node has store. Let two network nodes A, B and their corresponding Utility values UA = 0:1, UB = 0:11. A Contact(A;B) is up (active) and node A must forward a packet replica. Node B has a higher Utility value than A but how good is this value in the whole network. These routing algorithms can lead to huge energy consumption. This outcome is possible because there is no estimation of how beneficial is a replica creation. No routing algorithm uses this type of information. The above observation is the main idea behind our proposal. In opportunistic networks a way of extracting the information about ranking of each node is a necessity. This node ranking comes out of a corresponding Utility value ranking formation. Our main goal is to extend routing algorithms with Principles of Machine Learning in order to further reduce the energy consumption without sacrificing the delivery efficiency. We are using a clustering technique to group the Utility values, known as Kmeans, to mine this extra information about the network. This information can be exploited to reduce replications of data packets. We introduce a simple method which can be attached to any routing algorithm that uses a Utility to provide better results in energy consumption. Furthermore, our method is also generic in the sense that it can be used with any routing algorithm and any utility metric for making replication decisions. In this thesis, we focus our investigation on three of the most famous and effective routing algorithms that use the dynamic replication. We validate the performance of our method through extensive simulations with different Utilities. | en |
| heal.advisorName | Παπαπέτρου, Ευάγγελος | el |
| heal.committeeMemberName | Παπαπέτρου, Ευάγγελος | el |
| heal.committeeMemberName | Λύκας, Αριστείδης | el |
| heal.committeeMemberName | Κόντης, Λυσίμαχος-Παύλος | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Σχολή Θετικών Επιστημών. Τμήμα Μηχανικών Η/Υ & Πληροφορικής | el |
| heal.academicPublisherID | uoi | - |
| heal.numberOfPages | 78 σ. | - |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΜΥ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Μ.Ε. ΤΟΥΛΑΤΖΗΣ ΒΑΣΙΛΕΙΟΣ 2017.pdf | 1.3 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
