Tecniche di Machine Learning per Applicazione in Reti prive di Infrastruttura

Negli ultimi tempi, l’utilizzo di tecniche di Machine Learning in reti senza infrastruttura ha riscosso un notevole interesse nell'area delle reti. Le reti wireless senza infrastruttura sono una classe importante di reti wireless che è meglio applicabile per scenari in cui è presente una richesta di communicazione temporanea e localizzata. Gli algoritmi di apprendimento automatico potrebbero svolgere un ruolo importante nel fornire comunicazioni e gestione delle risorse affidabili ed efficienti dal punto di vista energetico; in effetti può essere utile nella gestione dei grandi volumi di calcolo e comunicazione richiesti così come dalle applicazioni wireless della prossima generazione. In questo contesto, questa tesi è stata realizzata con l'obiettivo di studiare gli aspetti rilevanti relativi all'applicazione del Machine Learning in reti senza infrastruttura. In particolare, nella prima parte di questo lavoro viene affrontata l'applicazione del Machine Learning nello scenario delle Wireless Sensor Networks. Più in particolare, l'applicazione del Federated Learning è studiata e combinata con il gossiping del modello per fornire operazioni di efficienza energetica. Inoltre, viene introdotto un approccio di rete definito dal software per le reti di sensori wireless con data mule. Un semplice algoritmo di apprendimento automatico è implementato per prevedere il percorso dei data mules. Nella seconda parte di questo lavoro viene introdotto un approccio di Transfer Learning per rilevare anomalie nel comportamento alla guida. L'approccio del transfer learning con auto-encoder basati su reti neurali convoluzionali viene applicato a un caso di studio specifico in cui i dati di guida sono stati raccolti da diversi ciclisti che percorrono lo stesso percorso. Viene anche introdotto un approccio di separazione dei livelli per suddividere i livelli della rete neurale del modello in alcuni livelli specifici del comportamento dell'utente e altri livelli specifici dell'ambiente stradale. L'approccio di separazione degli strati è stato sperimentato con il set di dati. Infine, questa tesi esplora anche l'uso del ML in specifiche reti prive di infrastrutture complesse, in particolare le reti sottomarine. Nello specifico, un sistema ibrido acustico/LoRa è progettato e sviluppato per raccogliere dati sott'acqua in tempo reale. La raccolta di dati multimediali in tempo reale potrebbe aprire la strada all'utilizzo di algoritmi di Machine Learning per l'evoluzione delle applicazioni subacquee.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2022

Author dc:creator

• JOSEPH THATHEYUS, JOANNES SAM MERTENS

Contributors dc:contributor

• GALLUCCIO, LAURA

• 5G, Machine Learning, Federated Learning, Transfer Learning, Layer Seperation, Underwater Communication
• 5G, Machine Learning, Federated Learning, Transfer Learning, Layer Seperation, comunicazione subacquea

Statement dc:rights

• info:eu-repo/semantics/openAccess
• license:PUBBLICO - Pubblico con Copyright
• license uri:iris.PUB02

Language dc:language

ita

Handle dc:identifier

https://hdl.handle.net/20.500.11769/581473

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/581473