5G technology for public safety: enhancing disaster response with advanced communication systems

Απλή σελίδα τεκμηρίου
dc.contributor.advisorMarkakis, Evangelosen
dc.contributor.advisorΜαρκάκης, Ευάγγελοςel
dc.contributor.authorGeorgitsis, Andreasen
dc.contributor.authorΓεωργίτσης, Ανδρέαςel
dc.date.accessioned2025-10-29T10:39:02Z
dc.date.available2025-10-29T10:39:02Z
dc.date.issued2025-10-29
dc.description.abstractThis 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.en
dc.description.abstractΗ 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.el
dc.identifier.urihttps://apothesis.hmu.gr/handle/123456789/11458
dc.language.isoen
dc.publisherΕΛΜΕΠΑ, Πολυτεχνική Σχολή, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Statesen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/
dc.subjectCommunication systems
dc.subjectSemantic communication
dc.subjectDeep Reinforcement Learning (Deep RL)
dc.subjectRAN slicing
dc.subject5G New Radio (5G NR)
dc.subjectΣυστήματα επικοινωνίας
dc.subjectΒαθιά ενισχυτική μάθηση
dc.title5G technology for public safety: enhancing disaster response with advanced communication systemsen
dc.title5G τεχνολογία για δημόσια ασφάλεια: ενισχύοντας την ανταπόκριση σε καταστροφές με προχωρημένα τηλεπικοινωνιακά συστήματαel
dc.typeΠτυχιακή Εργασία
heal.academicPublisherIDΕΛΜΕΠΑ Ελληνικό Μεσογειακό Πανεπιστήμιο
Αρχεία
Πρωτότυπος φάκελος/πακέτο
Τώρα δείχνει 1 - 1 of 1
Μικρογραφία εικόνας
Ονομα:
GeorgitsisAndreas2025.pdf
Μέγεθος:
3.68 MB
Μορφότυπο:
Adobe Portable Document Format
Λήψη
Φάκελος/Πακέτο αδειών
Τώρα δείχνει 1 - 1 of 1
Δεν υπάρχει διαθέσιμη μικρογραφία
Ονομα:
license.txt
Μέγεθος:
2.17 KB
Μορφότυπο:
Item-specific license agreed upon to submission
Περιγραφή:
Λήψη
Συλλογές
Πτυχιακές εργασίες / Bachelor Theses