Project LEMONADE

    Τίτλος: wireLEss MObile delay-tolerant Network Analysis anD Experimentation
    Διάρκεια: Ιανουάριος 2020 – Ιανουάριος 2024

    Website: https://mm.aueb.gr/lemonade/

    Το αντικείμενο του έργου είναι τα ασύρματα κινητά δίκτυα με ανοχή στις καθυστερήσεις (Delay-Tolerant Networks, DTNs). Σε αυτά τα δίκτυα, οι πληροφορίες ταξιδεύουν προς τον προορισμό τους μέσω ασύρματων μεταδόσεων αλλά και της φυσικής τους μεταφοράς ενόσω βρίσκονται στους ενταμιευτήρες των κόμβων.

    Κατά πρώτον το έργο LEMONADE παράγει νέα, θεμελιώδη γνώση σε θεωρητικά θέματα μοντελοποίησης και αποτίμησης της επίδοσης των ασύρματων κινητών DTNs, ιδιαιτέρως προς τη βέλτιστη προώθηση πακέτων (χρησιμοποιώντας τεχνικές στοχαστικής γεωμετρίας και μηχανικής μάθησης) και τη βέλτιστη ροή κίνησης (χρησιμοποιώντας εργαλεία από την θεωρία βελτιστοποίησης και ιδιαιτέρως τεχνικές αποδόμησης προτύπων/model decomposition).

    Δεύτερον, το έργο LEMONADE παράγει γνώση με στόχο την χρήση σχεδιαστικών αρχών των DTNs σε δύο συγκεκριμένες κλάσεις δικτύων. Το πρώτο είδος είναι το Διαδίκτυο των Πραγμάτων (Internet of Things –IoT). Πιο συγκεκριμένα, αναπτύσσονται αλγόριθμοι που θα παρέχουν κίνητρα σε χρήστες για την συμμετοχή τους στη συλλογή δεδομένων και την παροχή υπηρεσιών. Η δεύτερη κατηγορία δικτύων είναι τα δίκτυα αποτελούμενα από μη επανδρωμένα οχήματα όπως αυτά που χρησιμοποιούνται, για παράδειγμα σε  επιχειρήσεις έρευνας και διάσωσης (search and rescue operations). Μελετάται επίσης η εφαρμογή τεχνικών Mηχανικής Mάθησης σε αυτά τα δίκτυα.

    Τρίτον, αναπτύσσεται ένα πειραματικό ασύρματο κινητό δίκτυο με ανοχή στις καθυστερήσεις, αποτελούμενο από 30-40 κόμβους τύπου Raspberry Pi. Το δίκτυο αυτό χρησιμοποιείται για την επαλήθευση κάποιων από τα παραπάνω αποτελέσματα, αλλά και για περαιτέρω πειραματική έρευνα προκειμένου να εντοπιστούν νέες προκλήσεις σε αυτά τα δίκτυα.

    Τα δύο τελευταία παραδείγματα είναι επίσης αντιπροσωπευτικά του παραδείγματος του Διαδικτύου των Πραγμάτων (IoT) (σύμφωνα με το οποίο καθημερινά αντικείμενα σχηματίζουν δίκτυα και ανταλλάσσουν δεδομένα χωρίς άμεσο έλεγχο από ανθρώπους) στην σημαντική περίπτωση όπου μεγάλες καθυστερήσεις στην παράδοση δεδομένων είτε είναι αναπόφευκτες είτε αποδεκτές. Τα κυριότερα επιστημονικά αποτελέσματα είναι:

    • Έγινε η προμήθεια 30 κόμβων Raspberry Pi.
    • Τροποποιήθηκε και αναλύθηκε μια πληροφοριοκεντρική (information-centric) αρχιτεκτονική NDN που συνδυάζεται με παραδοσιακά πρωτόκολλα δρομολόγησης.
    • Πραγματοποιήθηκε μια λεπτομερής ανάλυση της ταχύτητας και του κανονικοποιημένου κόστους μετάδοσης πακέτων (Παραδοτέο 2.4). Παράλληλη έρευνα ανέδειξε ότι η περιοχή χωρητικότητας του πειραματικού ασύρματου δικτύου μπορεί να μετρηθεί με ικανοποιητική ακρίβεια, ειδικά αν χρησιμοποιηθούν τεχνικές μηχανικής μάθησης, και εφόσον υπάρχει ανοχή στις καθυστερήσεις.
    • Σχετικά με την μοντελοποίηση σχετικών ασύρματων δικτύων μελετήθηκαν οι επιπτώσεις της συσχέτισης μεταξύ των επίπεδων των παρεμβολών σε διαδοχικές χρονοσχισμές στην επίδοση ασυρμάτων δικτύων χαμηλής ισχύος. Αποτέλεσε αντικείμενο ξεχωριστής έρευνας ο θεωρητικός υπολογισμός του outage probability όταν παρουσιάζονται συσχετίσεις και στο ασύρματο κανάλι.
    • Σχετικά με την ανάπτυξη νέων εφαρμογών σε περιβάλλοντα Διαδικτύου των Πραγμάτων (IoT), αναπτύχθηκε μια πρώιμη αλλά λειτουργική εκδοχή εφαρμογής που πραγματοποιεί αναγνώριση εικόνας για αποτίμηση της εμφάνισης του στήθους κατά τη διάρκεια και μετά την θεραπεία για ασθενείς με καρκίνο του στήθους. Μελετήθηκε επίσης η από κοινού βελτιστοποίηση της αποθήκευσης περιεχομένου και προτάσεων προς χρήστες.
    • Πραγματοποιήθηκε μελέτη για την αναγνώριση εμποδίων σε σιδηροδρομικές γραμμές και την παρακολούθηση της βλάστησης εκατέρωθεν αυτών, βασισμένη σε Βαθιά Μάθηση. Η μελέτη περιλαμβάνει την εκπαίδευση μοντέλων και την εξαγωγή συμπερασμάτων σε ακολουθίες βίντεο που συλλέγονται από UAVs.
    • Μελετήθηκε το πρόβλημα της κατανεμημένης μάθησης σε ασύρματες συσκευές με περιορισμένους πόρους (όπως ιδιαιτέρως τα διαθέσιμα Raspberry Pis) καθώς και  το πρόβλημα της από κοινού μάθησης πολιτικών βέλτιστης αποφόρτισης εργασιών και χρονοπρογραμματισμού.
    • Στο αντικείμενο των εφαρμογών μηχανικής μάθησης σε DTNs, αναδείχθηκε η σημασία της κανονικοποίησης (regularization) σε επίπεδο Layer στην περίπτωση κατανεμημένης μάθησης δεδομένων που δεν είναι IID. Μελετήθηκε το πρόβλημα της βέλτιστης διαμέρισης των υπολογισμών που λαμβάνουν χώρα σε ένα Βαθύ Νευρωνικό Δίκτυο, μεταξύ μιας κινητής συσκευής και ενός Σταθμού Βάσης. Τέλος, μελετήθηκε το πρόβλημα της από κοινού τοποθέτησης ελεγκτών και χρονοπρογραμματισμού σε Software Defined ασύρματα δίκτυα.

    Το έργο χρηματοδοτήθηκε από το ΕΛΙΔΕΚ, και είχε επικεφαλής τον Αναπληρωτή Καθηγητή του Τμήματος Πληροφορικής Σταύρο Τουμπή και συμμετέχον μέλος ΔΕΠ τον Ιορδάνη Κουτσόπουλο.