3404 Advanced Mobile Computing Technologies

Σκοπός του μαθήματος είναι ο σπουδαστής να αποκτήσει μια σφαιρική αντίληψη της ενοποιημένης χρήσης και διαχείρισης των υπολογιστικών, τηλεπικοινωνιακών, αποθηκευτικών και άλλων πόρων σε περιβάλλον κινητού υπολογισμού. Η έμφαση του μαθήματος θα είναι σε προηγμένες αλγοριθμικές μεθόδους διαχείρισης, βασισμένες σε κατανεμημένη επεξεργασία και μηχανική μάθηση. Κινητός Υπολογισμός (επικοινωνία-συσκευές-λογισμικό). Περιορισμοί (κόστος, κινητικότητα, ασφάλεια, κατανάλωση ενέργειας, ασύρματο μέσο). Προηγμένες Τεχνολογίες για Διαχείριση Υποδομών Κινητού Υπολογισμού: Επισκόπηση Τεχνητής Νοημοσύνης, Μηχανικής Μάθησης, Νευρωνικών Δικτύων, Βαθιάς Μάθησης, Συνεργατικής Μάθησης. Εφαρμογές Προηγμένων Τεχνολογιών σε Κατανεμημένες Αρχιτεκτονικές Μεγάλης Κλίμακας και Ευφυή Κινητά Τερματικά. Βελτιστοποίηση ανάθεσης ραδιοπόρων με τεχνικές επιβλεπόμενης και μη επιβλεπόμενης μάθησης. Διαχείριση ραδιοπόρων σε ευφυή συστήματα μεταφορών (συμπεριλαμβάνονται Πρότυπα 5G-ITS). Γνωστικά Ραδιοδίκτυα: ανίχνευση και διαχείριση φάσματος. Υπολογιστική (χαρακτηριστικά, αρχιτεκτονικές, λογισμικό ως υπηρεσία, δρομολόγηση, ασφάλεια, διαχείριση δεδομένων), υπολογιστική πλέγματος, νέφους, ομίχλης. Ενορχήστρωση πόρων σε συστήματα 5G: Συναρτήσεις εικονικών δικτύων (VNF), αλγόριθμοι ενορχήστρωσης πόρων. Κοινή ανάθεση υπολογιστικών και δικτυακών πόρων σε συνεχείς υποδομές νέφους / στις παρυφές του δικτύου. Ασφαλής κατανεμημένη αποθήκευση σε υποδομές νέφους / στις παρυφές του δικτύου. Τομογραφία δικτύου. Μηχανική Μάθηση στα τερματικά: κοντά στον χρήστη και στο δίκτυο. Υλικό σύγχρονων κινητών: αισθητήρες, μονάδες επεξεργασίας (CPU, GPU, DSP, NPU), μνήμη, μπαταρία. Προβλήματα λειτουργικών συστημάτων, ενεργειακής κατανάλωσης, και αποθήκευσης δεδομένων. Εργαστηριακές ασκήσεις στα παραπάνω αντικείμενα: Εργασίες σε Python και σχετικές βιβλιοθήκες (Κeras, TensorFlow) και Ευφυείς Κινητές Εφαρμογές (Android, TFLite).

Language : el