Dynamická alokace prostředků založená na strojovém učení pro služby 5G sítí
Machine Learning-based Dynamic Resource Allocation for 5G Services
dc.contributor.advisor | Bečvář Zdeněk | |
dc.contributor.author | Aida Madelkhanova | |
dc.date.accessioned | 2020-01-28T23:51:37Z | |
dc.date.available | 2020-01-28T23:51:37Z | |
dc.date.issued | 2020-01-28 | |
dc.identifier | KOS-860412799105 | |
dc.identifier.uri | http://hdl.handle.net/10467/86080 | |
dc.description.abstract | Rychle rostoucı́ počet technologiı́ páté generace 5G vyžaduje zkoumánı́ nových strategiı́ správy sı́ťových prostředků. Datově řı́zené strojové učenı́ umožňuje přı́stupy vyvinuté k dosaženı́ výkonu s dostupnou výpočetnı́ složitostı́. Zpětnovazebnı́ učenı́ je považováno pro budoucı́ inteligentnı́ sı́tě. V této práci jsou uvažovány přı́stupy zpětnovazebnı́ho učenı́ a hlubokého zpětnovazebnı́ho učenı́ pro přidělovánı́ rádiových zdrojů v sı́ti 5G. Jsou stu-dovány čtyři algoritmy zpětnovazebnı́ho učenı́,na základě kterých se dále vyvı́jı́ konkrétnı́ design. Zanalyzována výkonnost každého vzdělávacı́ho rámce a poskytováno porovnánı́ (z hlediska průměrné odměny) mezi nimi. Hodnocenı́ prokazuje obecnou použitelnost pop-saných konceptů. Výsledky simulacı́ ukazujı́, že techniky hlubokého zpětnovazebnı́ho učenı́ předčı́ jednoduché Q učenı́. | cze |
dc.description.abstract | The rapidly increasing number of 5G technologies forces an investigation of new network resource management strategies. Recently, the data-driven Machine Learning (ML) enabled approaches developed to obtain optimal performance with affordable computational complexity. Reinforcement Learning (RL) is regarded for future intelligent networks. In this thesis RL and Deep Reinforcement Learning (DRL) approaches are considered for radio resource allocation in 5G network. We study four state-of-the-art RL algorithms, based on this, the concrete RL design is further developed. We analyze the performance of each learning framework and provide comparisons (in terms of the average reward) between them. The evaluation proves the general applicability of the described concepts. Simulations results show that DRL techniques outperform the simple Q learning. | eng |
dc.publisher | České vysoké učení technické v Praze. Vypočetní a informační centrum. | cze |
dc.publisher | Czech Technical University in Prague. Computing and Information Centre. | eng |
dc.rights | A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.html | eng |
dc.rights | Vysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html | cze |
dc.subject | 5G | cze |
dc.subject | Zpětnovazebnı́ Učenı́ | cze |
dc.subject | Q učenı́ | cze |
dc.subject | 5G | eng |
dc.subject | Reinforcement Learning | eng |
dc.subject | Q learning | eng |
dc.title | Dynamická alokace prostředků založená na strojovém učení pro služby 5G sítí | cze |
dc.title | Machine Learning-based Dynamic Resource Allocation for 5G Services | eng |
dc.type | diplomová práce | cze |
dc.type | master thesis | eng |
dc.contributor.referee | Vasilakos Xenofon | |
theses.degree.discipline | Komunikační systémy a sítě | cze |
theses.degree.grantor | katedra telekomunikační techniky | cze |
theses.degree.programme | Elektronika a komunikace | cze |
Soubory tohoto záznamu
Tento záznam se objevuje v následujících kolekcích
-
Diplomové práce - 13132 [275]