scholarly journals Managing networks and services based on artificial intelligence in heterogeneous broadband environments for 5th generation and beyond

2021 ◽  
Author(s):  
Ιωάννης-Πρόδρομος Μπελικαΐδης
Keyword(s):  
Artificial Intelligence ◽  
Mesh Networks ◽  
State Of The Art ◽  
Channel Selection ◽  
Carrier Aggregation ◽  
Network Slicing ◽  
Dynamic Channel ◽  
Network Sharing

Tα κίνητρα αυτής της ερευνητικής δραστηριότητας προέρχονται από το γεγονός της εκθετικής αύξησης της ζήτησης δεδομένων που παρατηρείται τα τελευταία χρόνια καθώς και στην προσέγγιση των θεωρητικών ορίων του capacity των δικτύων. Ταυτόχρονα η διαδικασία της αδειοδότησης και της απόκτησης νέων συχνοτήτων είναι ακριβή, χρονοβόρα και σε ορισμένες περιπτώσεις η αδειοδότηση είναι αδύνατη για πολλούς παρόχους. Σε συνδυασμό με την υποστήριξη του μεγάλου όγκου δεδομένων που προκαλούνται από τις καινούριες υπηρεσίες και εφαρμογές, πραγματοποιήθηκε έρευνα, βρέθηκαν, υλοποιήθηκαν και δοκιμάστηκαν λύσεις για την βέλτιστη διαχείριση των δικτύων. Η παρούσα διπλωματική εργασία διαρθρώνεται σε κεφάλαια και κάθε κεφάλαιο παρέχει μια λεπτομερή περιγραφή και τα αποτελέσματα των διεξαγόμενων ερευνητικών δραστηριοτήτων για την επίτευξη του γενικού στόχου διαχείρισης δικτύων και υπηρεσιών βασισμένων στην τεχνητή νοημοσύνη σε ετερογενή ευρυζωνικά περιβάλλοντα για 5η γενιά και μετά. Το Κεφάλαιο 1 παρέχει την κύρια εισαγωγή και το κίνητρο της εργασίας μας και θέτει τις απαιτήσεις της απαραίτητης έρευνας για τη διαχείριση δικτύων και υπηρεσιών που βασίζονται στην τεχνητή νοημοσύνη. Το Κεφάλαιο 2 διερευνά και αξιολογεί δίκτυα πλέγματος για την επίτευξη βελτιωμένης απόδοσης, ακόμη και όταν η συνδεσιμότητα είναι δύσκολο να πραγματοποιηθεί. Το Κεφάλαιο 3 επικεντρώνεται στη μοντελοποίηση και ανάλυση της διαχείρισης για ετερογενείς υποδομές. Το Κεφάλαιο 4 επεξεργάζεται τη διαχείριση πόρων ραδιοσυχνοτήτων σε περιβάλλον πολλαπλών παρόχων, με έμφαση στο ιεραρχικό σχήμα διαχείρισης πόρων ραδιοφώνου. Το Κεφάλαιο 5 αναλύει την έννοια του τεμαχισμού δικτύου και πώς ο τεμαχισμός μπορεί να οδηγήσει σε καλύτερη παροχή υπηρεσιών σε απαιτητικά περιβάλλοντα συνδυάζοντας διαφορετικούς τύπους επισκεψιμότητας (π.χ. URLLC, eMBB, mMTC, κ.λπ.). Το Κεφάλαιο 6 παρέχει χρήσιμες πληροφορίες σχετικά με την κοινή χρήση και την κατανομή πόρων με έμφαση στην εκχώρηση δυναμικού καναλιού για τις νέες υπηρεσίες 5G όπως το URLLC, το eMBB και το mMTC. Το Κεφάλαιο 7 επεξεργάζεται θέματα RRM σε περιβάλλον πολλαπλών συνδέσεων με έμφαση στη διαχείριση φορέα 5G και αξιολογείται με προσομοιώσεις σε επίπεδο συστήματος. Επιπλέον, αξιολογούνται οι απαιτήσεις για εξαιρετικά υψηλή πυκνότητα σύνδεσης συσκευών IoT σε περιβάλλον mMTC. Η έρευνα των προτεινόμενων λύσεων κατέληξε σε διάφορες δημοσιεύσεις, εργασίες συνεδρίων, περιοδικά, βιβλία και σε πρότυπα όπως το ITU για μελέτη σχετικά με την αξιολόγηση του 5G. Το τελευταίο κεφάλαιο παρέχει το συμπέρασμα αυτής της διπλωματικής εργασίας και προτάσεις για μελλοντική έρευνα. Συγκεκριμένα αυτή η διατριβή παρείχε μια σε βάθος ανάλυση λύσεων για τη καλύτερη διαχείριση δικτύων και υπηρεσιών που βασίζονται σε ευφυείς αλγόριθμους και τεχνικές σε ετερογενή ευρυζωνικά περιβάλλοντα 5ης και επόμενων γενεών, λαμβάνοντας υπόψη την τρέχουσα κατάσταση και προσβλέποντας τις νέες προκλήσεις των δικτύων. Στόχος ήταν να αναλύσουμε, να προτείνουμε και να βελτιώσουμε τις state-of-the-art τεχνικές για να φέρουμε τα δίκτυα 5G ένα βήμα πιο κοντά σε αυτό που θεωρούμε ότι θα μπορούσε να είναι. Οι D2D / M2M, Mesh Networks, Ultra-densification, Dynamic channel selection, Network sharing, Network slicing, Multi-connectivity / Multi link, Carrier Aggregation και χρήση νέων συχνοτήτων 3.5GHz και narrowband είναι μερικές από τις καινοτομίες που αναλύθηκαν και παρουσιάστηκαν σε αυτή τη διατριβή πετυχαίνοντας πολύ καλά αποτελέσματα σε όλες τις περιπτώσεις που δοκιμάστηκαν. Οι λύσεις και οι τεχνικές που προτείνονται σε αυτή τη διατριβή θα μπορούσαν να δοκιμαστούν σε πραγματικά περιβάλλοντα και να διαμορφωθούν από την ερευνητική κοινότητα ώστε να ενσωματωθούν στις νέες εκδόσεις της 3GPP για δίκτυα 5G αλλά και επόμενων γενεών.

scholarly journals Resource Reservation in Sliced Networks: An Explainable Artificial Intelligence (XAI) Approach

2021 ◽  
Author(s):  
Pieter Barnard ◽  
Irene Macaluso ◽  
Nicola Marchetti ◽  
Luiz Pereira da Silva
Keyword(s):  
Artificial Intelligence ◽  
State Of The Art ◽  
Resource Reservation ◽  
Third Party ◽  
Short Term ◽  
Real World Data ◽  
General Behaviour ◽  
Network Slicing ◽  
Human In The Loop ◽  
Extensive Range

The growing complexity of wireless networks has sparked an upsurge in the use of artificial intelligence (AI) within the telecommunication industry in recent years. In network slicing, a key component of 5G that enables network operators to lease their resources to third-party tenants, AI models may be employed in complex tasks, such as short-term resource reservation (STRR). When AI is used to make complex resource management decisions with financial and service quality implications, it is important that these decisions be understood by a human-in-the-loop. In this paper, we apply state-of-the art techniques from the field of Explainable AI (XAI) to the problem of STRR. Using real-world data to develop an AI model for STRR, we demonstrate how our XAI methodology can be used to explain the real-time decisions of the model, to reveal trends about the model’s general behaviour, as well as aid in the diagnosis of potential faults during the model’s development. In addition, we quantitatively validate the faithfulness of the explanations across an extensive range of XAI metrics to ensure they remain trustworthy and actionable.

scholarly journals Resource Reservation in Sliced Networks: An Explainable Artificial Intelligence (XAI) Approach

2021 ◽  
Author(s):  
Pieter Barnard ◽  
Irene Macaluso ◽  
Nicola Marchetti ◽  
Luiz Pereira da Silva
Keyword(s):  
Artificial Intelligence ◽  
State Of The Art ◽  
Resource Reservation ◽  
Third Party ◽  
Short Term ◽  
Real World Data ◽  
General Behaviour ◽  
Network Slicing ◽  
Human In The Loop ◽  
Extensive Range

The growing complexity of wireless networks has sparked an upsurge in the use of artificial intelligence (AI) within the telecommunication industry in recent years. In network slicing, a key component of 5G that enables network operators to lease their resources to third-party tenants, AI models may be employed in complex tasks, such as short-term resource reservation (STRR). When AI is used to make complex resource management decisions with financial and service quality implications, it is important that these decisions be understood by a human-in-the-loop. In this paper, we apply state-of-the art techniques from the field of Explainable AI (XAI) to the problem of STRR. Using real-world data to develop an AI model for STRR, we demonstrate how our XAI methodology can be used to explain the real-time decisions of the model, to reveal trends about the model’s general behaviour, as well as aid in the diagnosis of potential faults during the model’s development. In addition, we quantitatively validate the faithfulness of the explanations across an extensive range of XAI metrics to ensure they remain trustworthy and actionable.

scholarly journals A Survey on Bias and Fairness in Machine Learning

2021 ◽  
Vol 54 (6) ◽  
pp. 1-35
Author(s):  
Ninareh Mehrabi ◽  
Fred Morstatter ◽  
Nripsuta Saxena ◽  
Kristina Lerman ◽  
Aram Galstyan
Keyword(s):  
Artificial Intelligence ◽  
Machine Learning ◽  
Deep Learning ◽  
Real World ◽  
State Of The Art ◽  
Future Directions ◽  
Discriminatory Behavior ◽  
Real World Applications ◽  
Near Future ◽  
Different Sources

With the widespread use of artificial intelligence (AI) systems and applications in our everyday lives, accounting for fairness has gained significant importance in designing and engineering of such systems. AI systems can be used in many sensitive environments to make important and life-changing decisions; thus, it is crucial to ensure that these decisions do not reflect discriminatory behavior toward certain groups or populations. More recently some work has been developed in traditional machine learning and deep learning that address such challenges in different subdomains. With the commercialization of these systems, researchers are becoming more aware of the biases that these applications can contain and are attempting to address them. In this survey, we investigated different real-world applications that have shown biases in various ways, and we listed different sources of biases that can affect AI applications. We then created a taxonomy for fairness definitions that machine learning researchers have defined to avoid the existing bias in AI systems. In addition to that, we examined different domains and subdomains in AI showing what researchers have observed with regard to unfair outcomes in the state-of-the-art methods and ways they have tried to address them. There are still many future directions and solutions that can be taken to mitigate the problem of bias in AI systems. We are hoping that this survey will motivate researchers to tackle these issues in the near future by observing existing work in their respective fields.

scholarly journals Artificial intelligence and machine learning in design of mechanical materials

2021 ◽  
Author(s):  
Kai Guo ◽  
Zhenze Yang ◽  
Chi-Hua Yu ◽  
Markus J. Buehler
Keyword(s):  
Artificial Intelligence ◽  
Machine Learning ◽  
State Of The Art ◽  
The State

This review revisits the state of the art of research efforts on the design of mechanical materials using machine learning.

scholarly journals A Survey of Robots in Healthcare

Technologies ◽  
2021 ◽  
Vol 9 (1) ◽  
pp. 8 ◽  
Author(s):  
Maria Kyrarini ◽  
Fotios Lygerakis ◽  
Akilesh Rajavenkatanarayanan ◽  
Christos Sevastopoulos ◽  
Harish Ram Nambiappan ◽  
...  
Keyword(s):  
Artificial Intelligence ◽  
State Of The Art ◽  
The Elderly ◽  
Robotic Systems ◽  
Care Hospital ◽  
Robotic Technology ◽  
Persons With Disabilities ◽  
Survey Paper ◽  
Recent Advances ◽  
Art Research

In recent years, with the current advancements in Robotics and Artificial Intelligence (AI), robots have the potential to support the field of healthcare. Robotic systems are often introduced in the care of the elderly, children, and persons with disabilities, in hospitals, in rehabilitation and walking assistance, and other healthcare situations. In this survey paper, the recent advances in robotic technology applied in the healthcare domain are discussed. The paper provides detailed information about state-of-the-art research in care, hospital, assistive, rehabilitation, and walking assisting robots. The paper also discusses the open challenges healthcare robots face to be integrated into our society.

Sign in / Sign up

Export Citation Format

Share Document