5G technology for public safety: enhancing disaster response with advanced communication systems
Φόρτωση...
Ημερομηνία
2025-10-29
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
ΕΛΜΕΠΑ, Πολυτεχνική Σχολή, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Επιβλέπων
Περίληψη
This thesis proposes a semantic-aware Deep Reinforcement Learning framework for
dynamic slicing in 5G networks. The system was implemented in NS-3.44 with the
official NR module and the NS3-AI interface. This solution enables real-time
interaction between a Deep Q-Network agent and the simulated network. The
environment of the simulation includes three slices, one URLLC, one eMBB and one
mMTC, mapped to distinct traffic types for each service. The agent receives from the
environment through shared memory a 21 state vector that includes both physical
KPIs and semantic indicators. Using the same shared memory infrastructure every
100ms, the agent sends allocation decisions to optimize both network performance
and service intent alignment. Simulation results show URLLC latency below 2 ms,
significant eMBB throughput and semantic scores above 0.95, outperforming
baselines. The findings demonstrate that integrating semantic metrics into DRL-based
slicing enhances adaptability, efficiency and QoS compliance in next-generation
networks.
Η παρούσα διπλωματική εργασία πραγματεύεται την εφαρμογή βαθιάς ενισχυτικής μάθησης με τη χρήση σημασιολογικών τηλεπικοινωνιών (Semantic Communications) για την πραγματοποίηση slicing σε δίκτυα 5G. Το framework υλοποιήθηκε με τη χρήση του προσομοιωτή δικτύων NS-3 με τη χρήση ρεαλιστικού πακέτου New Radio (NR). Η επικοινωνία του περιβάλλοντος προσομοίωσης με τον πράκτορα ενισχυτικής μάθησης Deep-Q Network γίνεται μέσω της διεπαφής NS3-AI που επιτρέπει επικοινωνία C++ και Python. Το περιβάλλον της προσομοίωσης περιλαμβάνει 3 slices, ένα URLLC, ένα eMBB και ένα mMTC που αντιστοιχούν στους τύπους υπηρεσιών που προσφέρουν τα σύγχρονα δίκτυα 5ης γενιάς. Ο πράκτορας λαμβάνει από το περιβάλλον μέσω κοινής μνήμης ένα διάνυσμα κατάστασης (state vector) 21 διαστάσεων που περιλαμβάνει τόσο φυσικούς δείκτες απόδοσης (KPIs) όσο και σημασιολογικούς δείκτες (semantic indicators). Κάθε 100 ms ο πράκτορας κοινοποιεί τις αποφάσεις για την κατανομή των πόρων του δικτύου με στόχο τη βελτίωση της απόδοσης του αλλά και την συμφωνία με τις δηλωθείσες επιθυμίες των χρηστών. Μετά τη διενέργεια δοκιμών και πειραμάτων διαπιστώθηκε καθυστέρηση (latency) κάτω από 2 ms για το URLLC, σημαντική απόδοση (throughput) για to eMBB και σημασιολογικοί δείκτες άνω του 0,95, ξεπερνώντας άλλες μεθόδους. Τα ευρήματα αποδεικνύουν ότι η ενσωμάτωση σημασιολογικών δεικτών σε λύσεις slicing βασισμένες στη Βαθιά Ενισχυτική Μάθηση ενισχύει την ευελιξία του δικτύου, την αποδοτικότητα του αλλά και τη συμμόρφωση με τις απαιτήσεις για υψηλό Quality of Service (QoS) στα δίκτυα επόμενης γενιάς.
Η παρούσα διπλωματική εργασία πραγματεύεται την εφαρμογή βαθιάς ενισχυτικής μάθησης με τη χρήση σημασιολογικών τηλεπικοινωνιών (Semantic Communications) για την πραγματοποίηση slicing σε δίκτυα 5G. Το framework υλοποιήθηκε με τη χρήση του προσομοιωτή δικτύων NS-3 με τη χρήση ρεαλιστικού πακέτου New Radio (NR). Η επικοινωνία του περιβάλλοντος προσομοίωσης με τον πράκτορα ενισχυτικής μάθησης Deep-Q Network γίνεται μέσω της διεπαφής NS3-AI που επιτρέπει επικοινωνία C++ και Python. Το περιβάλλον της προσομοίωσης περιλαμβάνει 3 slices, ένα URLLC, ένα eMBB και ένα mMTC που αντιστοιχούν στους τύπους υπηρεσιών που προσφέρουν τα σύγχρονα δίκτυα 5ης γενιάς. Ο πράκτορας λαμβάνει από το περιβάλλον μέσω κοινής μνήμης ένα διάνυσμα κατάστασης (state vector) 21 διαστάσεων που περιλαμβάνει τόσο φυσικούς δείκτες απόδοσης (KPIs) όσο και σημασιολογικούς δείκτες (semantic indicators). Κάθε 100 ms ο πράκτορας κοινοποιεί τις αποφάσεις για την κατανομή των πόρων του δικτύου με στόχο τη βελτίωση της απόδοσης του αλλά και την συμφωνία με τις δηλωθείσες επιθυμίες των χρηστών. Μετά τη διενέργεια δοκιμών και πειραμάτων διαπιστώθηκε καθυστέρηση (latency) κάτω από 2 ms για το URLLC, σημαντική απόδοση (throughput) για to eMBB και σημασιολογικοί δείκτες άνω του 0,95, ξεπερνώντας άλλες μεθόδους. Τα ευρήματα αποδεικνύουν ότι η ενσωμάτωση σημασιολογικών δεικτών σε λύσεις slicing βασισμένες στη Βαθιά Ενισχυτική Μάθηση ενισχύει την ευελιξία του δικτύου, την αποδοτικότητα του αλλά και τη συμμόρφωση με τις απαιτήσεις για υψηλό Quality of Service (QoS) στα δίκτυα επόμενης γενιάς.
Περιγραφή
Λέξεις-κλειδιά
Communication systems, Semantic communication, Deep Reinforcement Learning (Deep RL), RAN slicing, 5G New Radio (5G NR), Συστήματα επικοινωνίας, Βαθιά ενισχυτική μάθηση