Η ραγδαία αύξηση των απαιτήσεων των συνδρομητών κινητών επικοινωνιών έχει διαδραματίσει καθοριστικό ρόλο στην ανάπτυξη των δικτύων νέας γενιάς προκειμένου οι πάροχοι να μπορούν να αντεπεξέλθουν στις απαιτήσεις αυτές. Ωστόσο, οι υψηλοί ρυθμοί που πρέπει να υποστηριχτούν στο ασύρματο δίκτυο πρόσβασης έχουν ως αποτέλεσμα τη δημιουργία σημείων συμφόρησης στο οπισθοζευκτικό δίκτυο, το οποίο παραδοσιακά είχε κατασκευαστεί με σκοπό την υποστήριξη υπηρεσιών φωνής. Προκειμένου να ξεπεραστεί το εμπόδιο αυτό, έχει προταθεί στη βιβλιογραφία η λύση της σύγκλισης των ασύρματων δικτύων πρόσβασης με ένα οπτικό δίκτυο στην οπισθόζευξη. Η υψηλή χωρητικότητα που δύναται να υποστηριχθεί από τα οπτικά δίκτυα μπορεί να ικανοποιήσει τις ανάγκες των σύγχρονων αλλά και των μελλοντικών δικτύων κινητών επικοινωνιών, καθιστώντας το μια ασφαλή επιλογή για τους παρόχους. Ωστόσο, στην περίπτωση αυτή εγείρεται μια σειρά από σημαντικά ζητήματα, τα οποία πρέπει να ληφθούν υπόψη για την αποδοτική κατανομή των πόρων στο δίκτυο. Συγκεκριμένα, οι παραδοσιακές μέθοδοι διαστασιολόγησης των δικτύων κινητών επικοινωνιών που βασίζονταν στην ικανοποίηση ενός δυσμενούς σεναρίου και οδηγούσαν σε μια στατική εκχώρηση των πόρων του δικτύου, δεν μπορούν πλέον να εφαρμοστούν σε μια συγκεκλιμένη ασύρματη-οπτική υποδομή, καθώς έχουν ως αποτέλεσμα την υπερδιαστασιολόγηση του δικτύου και τη μη αποδοτική διαχείριση των πόρων. Στη βάση αυτή, η παρούσα διατριβή μελετάει το πρόβλημα της δυναμικής εκχώρησης των πόρων του οπισθοζευκτικού δικτύου και προτείνει ένα κατανεμημένο σύστημα δυναμικής διαχείρισης των πόρων, ικανό να ανταπεξέλθει στις ανάγκες των δικτύων νέας γενιάς. Συγκεκριμένα, αναπτύσσεται και επικυρώνεται ένα ευφυές σύστημα που χρησιμοποιεί μεθόδους μηχανικής μάθησης ώστε να εκτιμήσει την επερχόμενη ζήτηση ενός Σταθμού Βάσης και να αιτηθεί εκ των προτέρων τη δέσμευση των απαραίτητων πόρων προκειμένου να ικανοποιηθούν οι ανάγκες των συνδρομητών. Ειδικότερα, το σύστημα αυτό παρακολουθεί και συλλέγει τα στατιστικά της κίνησης που μεταφέρεται από το Σταθμό Βάσης προς το οπισθοζευκτικό δίκτυο και με βάση τις καταγραφές αυτές υπολογίζει τους απαραίτητους προς δέσμευση πόρους για τη δημιουργία ενός κατάλληλου συμφωνητικού επιπέδου υπηρεσίας μεταξύ του παρόχου κινητών επικοινωνιών και του παρόχου οπτικού δικτύου. Στα πλαίσια ανάπτυξης του συστήματος αυτού, περιγράφονται όλες οι απαραίτητες λειτουργίες που επιτελεί για τη δυναμική διαχείριση των πόρων. Ειδικότερα, δίδεται βαρύνουσα σημασία στη διαδικασία της πρόβλεψης, η οποία αποτελεί την κύρια λειτουργία του συστήματος και είναι υπεύθυνη για την αποδοτική διαχείριση των πόρων του οπισθοζευκτικού δικτύου. Συγκεκριμένα, εξετάζεται η επίδοση διαφορετικών τεχνικών μηχανικής μάθησης και μελετώνται θέματα που άπτονται στη βελτιστοποίηση της λειτουργικότητας του συστήματος, τόσο σε πρακτική όσο και σε θεωρητική βάση. Επιπλέον, πέραν από την πρόβλεψη των πόρων για τη σύναψη συμφωνιών επιπέδου υπηρεσίας, παρουσιάζεται και η διαδικασία της βραχυπρόθεσμης πρόβλεψης ως συνδυασμός μεθόδων μηχανικής μάθησης και ανάλυσης χρονοσειρών για την αντιμετώπιση των μη αναμενόμενων μεταβολών της κίνησης του δικτύου. Με βάση τα αποτελέσματα που προκύπτουν εξάγονται χρήσιμα συμπεράσματα για τη λειτουργία και την επίδοση ενός τέτοιου συστήματος.Τέλος, το γενικό πρόβλημα διαχείρισης των πόρων του οπισθοζευκτικού δικτύου μελετάται με τη χρήση της εξελικτικής θεωρίας παιγνίων. Ειδικότερα, εξετάζεται το πρόβλημα στην πλευρά του Σταθμού Βάσης, όπου μοντελοποιούνται κατάλληλα οι αλληλεπιδράσεις του Σταθμού Βάσης και των συνδρομητών, και στη πλευρά του οπτικού δικτύου, όπου δύο διαφορετικοί πάροχοι κινητών επικοινωνιών μοιράζονται την ίδια οπισθοζευκτική υποδομή και ανταγωνίζονται για τους πόρους του οπτικού δικτύου. Η μοντελοποίηση των αλληλεπιδράσεων μεταξύ των παικτών γίνεται με τη χρήση της δυναμικής των αντιγραφέων και μελετάται η ευστάθεια του δυναμικού συστήματος, ενώ τα αποτελέσματα που προκύπτουν τεκμηριώνονται με τη χρήση κατάλληλων προσομοιώσεων.
The tremendous growth of the mobile users’ needs has paved the way for the introduction of the next generation mobile networks. As a result, mobile operators are forced to adopt the new communication standards in order to be able to satisfy their subscribers’ needs. However, the high information rates that should be offered by the wireless access network can potentially create a bottleneck at the backhaul network, which was traditionally designed to support voice services. In order to overcome such situation, the convergence of the wireless access networks with a passive optical network at the backhaul has been proposed in the literature. The extremely high data rates that can be offered by the optical backhauling network can achieve the requirements of the 4G standard providing satisfactory Quality of Service (QoS) to the end-users. However, in this case there are many issues that have to be taken into consideration for the efficient allocation of the resources in the network. In particular, traditional methods of network planning, which are based on a worst case scenario, lead to a static and inefficient resource allocation, and thus, they cannot be implemented within a converged optical-wireless network.In this context, this thesis studies the problem of the dynamic resource allocation at the backhaul network and proposes a distributed system for dynamic resource management that can address the needs of the next generation mobile networks. In particular, an intelligent agent, which uses machine learning techniques in order to estimate the forthcoming demand at the Base Station and proactively request the commitment of the appropriate resources, is developed. Specifically, the proposed system monitors and collects the necessary traffic statistics of the backhaul network, and based on the collected data, it calculates the appropriate resources in order to create a service level agreement between the mobile operator and the operator of the passive optical network.All the appropriate functions that allow the dynamic resource management are described. In particular, more effort is given to the forecasting process, which consist the basic functionality of the proposed system. Specifically, the performance of different machine learning techniques is investigated and issues that contribute to the optimization of the system’s functionality are studied both at a practical and a theoretical level. Furthermore, apart from the forecasting process, which aims to the creation of a service level agreement, the short-term forecasting process is also studied. It uses a combination of machine learning techniques and time series analysis and its scope is to address the unexpected variations in the network traffic. Based on the forecasting results, useful conclusions about the operation and the performance of the system are extracted.Finally, the resource management problem at the backhaul network is studied using evolutionary game theory. Specifically, the problem is studied at the side of the Base Station, where the interactions between the Base Station and its subscribers are properly modeled, and at the side of the optical network, where different mobile operators share a common backhaul infrastructure and compete for its resources. The interactions between the players are modeled using replicator dynamics and the stability of the system is proven. The proposed schemes are validated through simulation results.
National Documentation Centre (EKT)
