Στην εποχή μας παρατηρείται ραγδαία εξάπλωση της χρήσης υπηρεσιών όπως η αναπαραγωγή βίντεο, η τηλεργασία και οι τηλεδιασκέψεις που χρειάζονται συνεχή και αξιόπιστη δικτυακή υποστήριξη. Η ακατάπαυστη αύξηση του φόρτου κίνησης στο διαδίκτυο αναδεικνύει την επιτακτική ανάγκη βελτίωσης της απόδοσης των δικτύων που αναλαμβάνουν την μεταφορά των πακέτων. Σε τέτοια δίκτυα, οι οπτικές επικοινωνίες έχουν έναν κομβικό ρόλο, καθώς αποτελούν τόσο το μητροπολιτικό όσο και το κεντρικό τμήμα του διαδικτύου. Στην εργασία αυτή αρχικά παρουσίασα βασικές πληροφορίες σχετικά με την ιστορία και την λειτουργία των οπτικών δικτύων και της πρόσφατης εξέλιξής τους, των ελαστικών οπτικών δικτύων. Επίσης έκανα μια αναφορά στις παραδοσιακές μεθόδους δρομολόγησης και κατανομής φάσματος που χρησιμοποιούνται στα δίκτυα αυτά για την εγκαθίδρυση των συνδέσεων. Στην συνέχεια, παρουσίασα την προσέγγιση DeepRMSA για την επίλυση του προβλήματος δρομολόγησης και κατανομής φάσματος μέσω της χρήσης ενισχυτικής μάθησης πολλών πρακτόρων. Μελέτησα τις παράμετρους του Νευρωνικού Δικτύου και αποφάσισα τις καταλληλότερες τιμές υπερπαραμέτρων προκειμένου να ελαχιστοποιηθεί η πιθανότητα απόρριψης αιτήματος και να μεγιστοποιηθεί η εκμετάλλευση των πόρων του δικτύου. Στο τέλος παρουσίασα τις τεχνικές που χρησιμοποιήθηκαν και σύγκρινα τα πειραματικά αποτελέσματα με τις προτεινόμενες τιμές του άρθρου.
(EL)
In modern times there is a rapid spread of the use of services such as video on demand, teleworking and video conferencing that need continuous and reliable network support. The relentless increase in traffic load on the Internet highlights the urgent need to improve the performance of the networks that are responsible for the transfer of data packets. In such networks, optical communications play a key role, since they comprise both the metropolitan (metro) and the backbone (core) network segments of the Internet. In the beginning of this thesis I present basic information on the history and operation of optical networks, as well as the recent evolution of optical networks into elastic optical networks (EONs). Additionally, I discuss traditional routing and spectrum allocation (RSA) methods used in these networks to establish the links. In the next chapter the DeepRMSA approach proposed in [12] for solving the RSA problem spectrum allocation through the use of multi-agent deep reinforcement learning. In chapter 4, I study the parameters of the Neural Network of the DeepRMSA and propose a set of appropriate hyperparameter values in order to minimize the probability of request rejection and maximize the exploitation of the network resources. At the end I present the techniques that I used and compare the simulation results with the proposed setup of the original paper.
(EN)
/aggregator-openarchives/portal/institutions/uoa
