Περιγραφή

Η εργασία εστιάζει στη σύγκριση τεχνικών Μηχανικής Μάθησης (supervised, unsupervised, reinforcement και deep reinforcement learning), που έχουν εφαρμοστεί για τη βελτιστοποίηση της δρομολόγησης σε δίκτυα SDN. 
Στόχος της είναι η κατηγοριοποίησή τους ως προς τις δυνατότητές τους, την πολυπλοκότητά τους, την εφαρμογή τους, τις απαιτήσεις δεδομένων και τη δυνατότητα online learning.
Η μελέτη θα συνεισφέρει στο θεωρητικό πλαίσιο για την επιλογή του κατάλληλου μοντέλου Μηχανικής Μάθησης σε τοπολογίες SDN, προσδιορίζοντας την καταλληλότητά τους ανάλογα με τις συνθήκες κυκλοφορίας και τις απαιτήσεις του δικτύου. Η εργασία αναλύει την αποτελεσματικότητα και τις δυνατότητες εφαρμογής αλγορίθμων Μηχανικής Μάθησης σε διάφορες περιπτώσεις και τοπολογίες δικτύων SDN, με σκοπό τη μείωση των καθυστερήσεων και της αστάθειας που παρουσιάζουν.