1. Ενορχήστρωση Πολλαπλών Containers σε Κοινή GPU: Μέτρηση και Μοντελοποίηση της Αλληλεπίδρασης Μοντέλων Μάθησης

Συνεπίβλεψη: Ερευνητής Ιωάννης Κυριακόπουλος, ΙΝ.ΒΙ.Σ./«ΑΘΗΝΑ», ikyriakopoulos@isi.gr

Περίληψη. Μία GPU σπάνια εξυπηρετεί έναν μόνο φόρτο εργασίας. Οι σύγχρονες πλατφόρμες ενορχήστρωσης επιτρέπουν σε πολλαπλά container να μοιράζονται του πόρους, ώστε να αξιοποιείται χωρητικότητα που διαφορετικά θα έμενε αδρανής. Ο διαμοιρασμός αυτός, όμως, δεν είναι δωρεάν: τα container ανταγωνίζονται για υπολογιστικές μονάδες, μνήμη κ.ο.κ., με αποτέλεσμα η απόδοση του καθενός να υποβαθμίζεται κατά τρόπο που εξαρτάται από το πλήθος και το είδος των συνυπαρχόντων υπηρεσιών (services). Οι μηχανισμοί δήλωσης πόρων που προσφέρει η ενορχήστρωση αποτυπώνουν πρόθεση, όχι απόδοση: δύο container που ζητούν «μισή GPU» το καθένα δεν λαμβάνουν κατ’ ανάγκη τη μισή απόδοση της αποκλειστικής εκτέλεσης. Το πόσο αποκλίνει η πραγματικότητα από τη δήλωση είναι μετρήσιμο μέγεθος και αποτελεί το αντικείμενο της εργασίας.

Κεντρικό ερώτημα. Πόσο υποβαθμίζεται η απόδοση μιας υπηρεσίας Μηχανικής Μάθησης σε container όταν μοιράζεται τη GPU με άλλες και μπορεί η υποβάθμιση αυτή να προβλεφθεί από το πλήθος και το είδος των συνυπαρχόντων φόρτων;

Θεωρητικό Υπόβαθρο. Το πακετάρισμα εφαρμογών σε container και η ενορχήστρωσή τους αποτελούν πλέον τον τυπικό τρόπο ανάπτυξης υπηρεσιών. Για φόρτους GPU, η πρόσβαση στη συσκευή διαμεσολαβείται από ειδικό επίπεδο εκτέλεσης (container runtime για GPU), ενώ η ενορχήστρωση εκθέτει τη συσκευή στα container μέσω μηχανισμού πρόσθετου πόρου. Υπάρχουν τρεις πρακτικοί τρόποι διαμοιρασμού στις GPUκαταναλωτών, με διαφορετικά χαρακτηριστικά:

• Αποκλειστική ανάθεση. Ένα container ανά GPU, χωρίς αλληλεπίδραση, αλλά με σπατάλη σε χαμηλή αξιοποίηση.
• Χρονομερισμός (time-slicing). Τα container εναλλάσσονται στη συσκευή απλή ρύθμιση, χωρίς απομόνωση μνήμης, με αυξημένη μεταβλητότητα καθυστέρησης.
• Υπηρεσία πολλαπλών διεργασιών (MPS). ταυτόχρονη εκτέλεση πυρήνων από πολλές διεργασίες καλύτερη διεκπεραιωτικότητα, εξακολουθεί να μην απομονώνει πλήρως.

Στόχοι της Διπλωματικής.

• Πακετάρισμα φόρτων. Δημιουργία τριών έως τεσσάρων αντιπροσωπευτικών υπηρεσιών Μηχανικής Μάθησης σε container, με διακριτά προφίλ πόρων: ταξινόμηση εικόνας (μικρό, σύντομο), ανίχνευση αντικειμένων (μεσαίο, συνεχές), εξαγωγή διανυσματικών αναπαραστάσεων κειμένου και προαιρετικά ένα μικρό γλωσσικό μοντέλο.
• Το σύστημα. Ανάπτυξη σε ενορχηστρωτή ενός κόμβου με τον μηχανισμό έκθεσης GPU ενεργό, και συγκριτική τεκμηρίωση έναντι απλούστερης ανάπτυξης με Docker Compose: τι προσφέρει και τι κοστίζει η ενορχήστρωση.
• Πειράματα συνύπαρξης. Συστηματική εκτέλεση με 1, 2, 4 και 8 container στην ίδια GPU, σε ομοιογενή (επαναλαμβανόμενο) και ετερογενή (διαφορετικό) φόρτο.
• Μετρήσεις. Διεκπεραιωτικότητα ανά container, καθυστέρηση στα εκατοστημόρια p50/p95/p99, κατειλημμένη μνήμη GPU, αξιοποίηση συσκευής και καταγραφή των τρόπων αστοχίας (εξάντληση μνήμης, επανεκκινήσεις, απορρίψεις αιτημάτων).
• Σύγκριση μηχανισμών διαμοιρασμού. Επανάληψη βασικού υποσυνόλου των πειραμάτων με χρονομερισμό και με MPS, με ποσοτικοποίηση της διαφοράς.
• Μοντέλο υποβάθμισης. Διατύπωση εμπειρικού μοντέλου που προβλέπει τον συντελεστή υποβάθμισης ως συνάρτηση του βαθμού συνύπαρξης και της σύνθεσης φόρτου, με επικύρωση σε φόρτου που δεν χρησιμοποιήθηκαν για την προσαρμογή.
• Πρακτικές οδηγίες τοποθέτησης. Τεκμηριωμένη απάντηση στο ερώτημα ποιοι φόρτοι είναι ασφαλές να συνυπάρξουν και ποιοι όχι.

Παραδοτέα. Έτοιμες εικόνες container και αρχεία ανάπτυξης, Αυτοματοποιημένη εκτέλεση της πειραματικής δομής και συλλογή μετρήσεων, πλήρες σύνολο μετρήσεων υποβάθμισης, με διαγράμματα, εμπειρικό μοντέλο υποβάθμισης με μετρημένο σφάλμα πρόβλεψης.

Προαπαιτούμενες Γνώσεις. Προγραμματισμός σε Python, εξοικείωση με Docker (δημιουργία εικόνων, εκτέλεση container), άνεση σε περιβάλλον Linux και γραμμή εντολών, βασικές γνώσεις Kubernetes σε επίπεδο χρήστη επιθυμητές, αποκτώνται στην πορεία, στοιχειώδης εμπειρία με βιβλιοθήκη βαθιάς μάθησης (PyTorch ή TensorFlow) στο επίπεδο φόρτωσης και εκτέλεσης έτοιμου μοντέλου.

Λέξεις-Κλειδιά & Βιβλιογραφία.

Λέξεις-κλειδιά: Container, Ενορχήστρωση, Kubernetes, Διαμοιρασμός GPU, Συμπερασμός, Αλληλεπίδραση Συνυπαρχόντων Φόρτων, Μέτρηση Επιδόσεων

• Merkel, “Docker: Lightweight Linux Containers for Consistent Development and Deployment,” Linux Journal, no. 239, 2014.
• Bernstein, “Containers and Cloud: From LXC to Docker to Kubernetes,” IEEE Cloud Computing, vol. 1, no. 3, pp. 81–84, 2014.
• Burns, B. Grant, D. Oppenheimer, E. Brewer and J. Wilkes, “Borg, Omega, and Kubernetes,” ACM Queue, vol. 14, pp. 70–93, 2016.
• Xiao et al., “Gandiva: Introspective Cluster Scheduling for Deep Learning,” in Proc. USENIX OSDI, 2018, pp. 595–610.
• Xiao et al., “AntMan: Dynamic Scaling on GPU Clusters for Deep Learning,” in Proc. USENIX OSDI, 2020, pp. 533–548.
• Yu and M. Chowdhury, “Fine-Grained GPU Sharing Primitives for Deep Learning Applications,” in Proc. MLSys, 2020.
• Weng et al., “Beware of Fragmentation: Scheduling GPU-Sharing Workloads with Fragmentation Gradient Descent,” in Proc. USENIX ATC, 2023, pp. 995–1008.
• NVIDIA Corp., Multi-Process Service (MPS) Documentation. [Online]. Available: https://docs.nvidia.com/deploy/mps/
• NVIDIA Corp., NVIDIA Kubernetes Device Plugin. [Online]. Available: https://github.com/NVIDIA/k8s-device-plugin

2. Αυτόματη Διόρθωση μη Εφικτών Δικτυακών Προθέσεων σε Δίκτυα 5G/6G με Υβριδικό Νεύρο-Συμβολικό Μηχανισμό

Συνεπίβλεψη: Ερευνητής Νίκος Ράπτης, ΙΝ.ΒΙ.Σ./«ΑΘΗΝΑ», nraptis@isi.gr

Περίληψη. Στο πλαίσιο του Intent-Based Networking, ο διαχειριστής περιγράφει σε υψηλό επίπεδο το επιθυμητό αποτέλεσμα και το σύστημα αναλαμβάνει τον τρόπο υλοποίησής του. Συχνά, όμως, οι απαιτήσεις μιας δικτυακής πρόθεσης (intent) είναι αντιφατικές ή δεν μπορούν να ικανοποιηθούν από τη διαθέσιμη υποδομή. Ένα αυτόνομο σύστημα δεν αρκεί να απορρίπτει ένα τέτοιο αίτημα· πρέπει να προτείνει εφικτή εναλλακτική που διατηρεί, κατά το δυνατόν, τον αρχικό στόχο του χρήστη. Η εργασία αποσκοπεί στην ανάπτυξη ενός υβριδικού μηχανισμού, στον οποίο ένα γλωσσικό μοντέλο ανοικτών βαρών, εκτελούμενο τοπικά, παράγει υποψήφιες διορθώσεις, ενώ ένας ντετερμινιστικός επιλύτης περιορισμών ελέγχει την εγκυρότητα και την εφικτότητά τους. Καμία πρόταση δεν γίνεται αποδεκτή χωρίς συμβολική επαλήθευση: το γλωσσικό μοντέλο προτείνει και ο επιλύτης αποφασίζει. Όταν η περιγραφή του χρήστη δεν περιέχει επαρκείς πληροφορίες για την επιλογή μεταξύ διαφορετικών συμβιβασμών, ο μηχανισμός θα μπορεί να υποβάλει στοχευμένη ερώτηση διευκρίνισης. Η απόφαση για το εάν απαιτείται ερώτηση αποτελεί μέρος του προβλήματος, καθώς κάθε αλληλεπίδραση θα επιβαρύνεται με ρητό κόστος.

Θεωρητικό υπόβαθρο. Η μη εφικτότητα μπορεί να οφείλεται σε αριθμητική υπέρβαση ενός ορίου, σε ασυμβατότητα μεταξύ συζευγμένων απαιτήσεων ή σε δομική ασυμβατότητα που απαιτεί αλλαγή κλάσης υπηρεσίας ή αφαίρεση προαιρετικής απαίτησης. Ενδεικτικά, η ταυτόχρονη απαίτηση πολύ μικρής καθυστέρησης, υψηλής διαθεσιμότητας και χαμηλού κόστους μπορεί να μην αντιστοιχεί σε καμία εφικτή διαμόρφωση. Σε πλήρως καθορισμένες περιπτώσεις, η φυσική γλώσσα δηλώνει επαρκώς ποιες απαιτήσεις έχουν προτεραιότητα. Σε υποκαθορισμένες περιπτώσεις, η κατάλληλη επιλογή εξαρτάται από προτίμηση που δεν έχει εκφραστεί. Το γλωσσικό μοντέλο καλείται επομένως είτε να παραγάγει ολοκληρωμένη διορθωμένη πρόθεση είτε να αναγνωρίσει ότι απαιτείται διευκρίνιση. Ο συμβολικός επιλύτης παρέχει την εγγύηση εφικτότητας, αλλά δεν αποφασίζει μόνος του ποιος συμβιβασμός ανταποκρίνεται καλύτερα στον στόχο του χρήστη.

Στόχοι της Διπλωματικής.

• Η μελέτη του Intent-Based Networking, της αξιοποίησης γλωσσικών μοντέλων στη διαχείριση δικτύων και σχετικών προτύπων, όπως τα 3GPP TS312 και TM Forum TMF921.
• Η σχεδίαση περιορισμένου σχήματος αναπαράστασης προθέσεων και αφαιρετικού μοντέλου υποδομής με διακριτές κλάσεις υπηρεσίας, διαθέσιμη χωρητικότητα και συζευγμένους περιορισμούς.
• Η ανάπτυξη ντετερμινιστικού ελεγκτή εγκυρότητας και εφικτότητας, ο οποίος επιστρέφει δομημένη ανατροφοδότηση για τους περιορισμούς που δεν ικανοποιούνται.
• Ο ορισμός μετρικής διατήρησης της πρόθεσης, με βάση τη μεταβολή των απαιτήσεων, τις προτεραιότητες του χρήστη και την ποινή δομικών αλλαγών.
• Η κατασκευή oracle που γνωρίζει το πλήρες προφίλ προτιμήσεων και υπολογίζει τη βέλτιστη εφικτή διόρθωση μέσω βελτιστοποίησης.
• Η ανάπτυξη διαδραστικού μηχανισμού που παράγει είτε διορθωμένη πρόθεση σε JSON είτε στοχευμένη ερώτηση διευκρίνισης.
• Η κατασκευή συνόλου αξιολόγησης και η συγκριτική πειραματική μελέτη της προτεινόμενης προσέγγισης.

Μεθοδολογία. Κάθε πειραματικό σενάριο θα περιλαμβάνει περιγραφή φυσικής γλώσσας, αρχική μη εφικτή πρόθεση, κατάσταση της υποδομής και κρυφό προφίλ προτιμήσεων. Στις πλήρως καθορισμένες περιπτώσεις, η περιγραφή θα εκφράζει τις κρίσιμες προτεραιότητες. Στις υποκαθορισμένες, μία ή το πολύ δύο κρίσιμες προτιμήσεις θα αποκρύπτονται. Το σύνολο αξιολόγησης, θα κατασκευαστεί προγραμματιστικά από τον φοιτητή. Ο επιλύτης και το κρυφό προφίλ θα παράγουν αυτόματα τις ετικέτες αναφοράς και την oracle λύση. Θα χρησιμοποιηθούν διαφορετικά πρότυπα φυσικής γλώσσας και διαχωρισμός προτύπων μεταξύ ανάπτυξης και αξιολόγησης. Το γλωσσικό μοντέλο θα παράγει έξοδο περιορισμένη από προκαθορισμένο JSON Schema. Η έξοδος θα δηλώνει μία από δύο ενέργειες:

• REPAIR: ολοκληρωμένη διορθωμένη πρόθεση.
• ASK: ερώτηση διευκρίνισης και το πεδίο προτίμησης στο οποίο αυτή αναφέρεται.

Ο προσομοιωτής χρήστη θα απαντά σύμφωνα με το κρυφό προφίλ. Κάθε ερώτηση θα έχει προκαθορισμένο κόστος, ενώ θα επιτρέπεται φραγμένος αριθμός αλληλεπιδράσεων. Με αυτόν τον τρόπο τιμωρούνται τόσο οι περιττές ερωτήσεις όσο και η παράλειψη αναγκαίας διευκρίνισης. Η προτεινόμενη μέθοδος θα συγκριθεί με:

• Ντετερμινιστική διόρθωση με ομοιόμορφα βάρη.
• Απευθείας παραγωγή διόρθωσης από LLM χωρίς ανατροφοδότηση.
• LLM self-reflection χωρίς ανατροφοδότηση από τον επιλύτη.
• Εξαγωγή δομημένων βαρών προτίμησης από LLM και παραγωγή της διόρθωσης από ντετερμινιστικό optimizer.

Η αξιολόγηση θα περιλαμβάνει εγκυρότητα σχήματος, ποσοστό εφικτών διορθώσεων, απόσταση από την oracle λύση, διατήρηση πρόθεσης και συνολική χρησιμότητα μετά την αφαίρεση του κόστους ερωτήσεων. Για την απόφαση διευκρίνισης θα μετρούνται precision, recall και F1, ποσοστό περιττών ερωτήσεων και ορθότητα στόχευσης της ελλιπούς διάστασης. Τα αποτελέσματα θα αναλύονται ανά κατηγορία μη εφικτότητας και βαθμό υποκαθορισμού. Απαιτούνται επαναλαμβανόμενες εκτελέσεις, διαστήματα εμπιστοσύνης, μελέτη αφαίρεσης βασικών συνιστωσών και ταξινόμηση των αποτυχιών σε σφάλματα μορφής, σημασιολογικής κατανόησης, επιλογής ερώτησης και συλλογισμού περί εφικτότητας. Το υποχρεωτικό μέρος δεν απαιτεί εκπαίδευση μοντέλου ή πρόσβαση σε πραγματική τηλεπικοινωνιακή υποδομή. Προαιρετική επέκταση: QLoRa fine-tuning.

Προαπαιτούμενες γνώσεις. Καλή γνώση προγραμματισμού σε Python, βασική κατανόηση δικτύων υπολογιστών και διαχείρισης δικτύου, εξοικείωση με JSON Schema, Git και ανάπτυξη εφαρμογών λογισμικού, βασική γνώση τεχνητής νοημοσύνης και γλωσσικών μοντέλων, επιθυμητή επαφή με τεχνικές βελτιστοποίησης ή constraint solving.

Λέξεις–Κλειδιά & Βιβλιογραφία.

Λέξεις–κλειδιά: Intent-Based Networking, Intent Negotiation, 5G/6G, LLM Agents, Network Automation, Feasibility Checking, Constraint Solving, Neuro-Symbolic AI.

• Clemm et al., “Intent-Based Networking – Concepts and Definitions,” IRTF RFC 9315, 2022.
• Leivadeas and M. Falkner, “A Survey on Intent-Based Networking,” IEEE Communications Surveys & Tutorials, 2023.
• 3GPP, “TS 28.312: Intent driven management services for mobile networks.”
• TM Forum, “TMF921 Intent Management API User Guide,” Version 5.0.0, 2024.
• Wei et al., “INTA: Intent-Based Translation for Network Configuration with LLM Agents,” 2025.
• Wang et al., “NetConfEval: Can LLMs Facilitate Network Configuration?” Proceedings of the ACM on Networking, 2024.
• Raptis et al., “ARGVI: Adaptive Routing, Generation, and Validation of Intents for Intent-Driven Management,” IEEE NFV-SDN, 2025.

3. Κανονικοποίηση και Κοινή Αναπαράσταση Καταλόγων Τηλεπικοινωνιακών Υπηρεσιών

Συνεπίβλεψη: Ερευνητής Κυριάκος Στρατάκος, ΙΝ.ΒΙ.Σ./«ΑΘΗΝΑ», kstratakos@isi.gr

Περίληψη. Η εξέλιξη των τηλεπικοινωνιακών δικτύων καθώς και παράλληλα των υπηρεσιών που παρέχονται μέσω των παρόχων έχει οδηγήσει στην δημιουργία ενός ιδιαίτερα ετερογενούς οικοσυστήματος καταλόγων υπηρεσιών. Τηλεπικοινωνιακοί πάροχοι, cloud πάροχοι και πάροχοι edge περιγράφουν συχνά παρόμοιες τεχνικές δυνατότητες με διαφορετική ορολογία ή εμπορικά χαρακτηριστικά. Για παράδειγμα οι υπηρεσίες ΑWS Fargate και Google Cloud Run επιτελούν τον ίδιο σκοπό του Serverless Container Execution με διαφορετικό “branding”. Η έλλειψη κοινής αναπαράστασης δυσκολεύει την σύγκριση των υπηρεσιών αλλά και την αναζήτηση εναλλακτικών παρόχων αλλά και καθιστά αδύνατη την αυτοματοποιημένη σύνθεση και ανάπτυξη ανοικτών ψηφιακών αγορών και σύνθετων υπηρεσιών. Η συγκεκριμένη συνθήκη είναι ένα καινούργιο και ενδιαφέρον πρόβλημα για την οικονομία δικτύων που παραδοσιακά είχε να κάνει κυρίως με ομοιογενή μεγέθη και απτή πρώτη ύλη.

Στόχοι Έρευνας. H παρούσα διπλωματική εργασία επικεντρώνεται στη μελέτη, σχεδιασμό και υλοποίηση μιας μεθοδολογίας κανονικοποίησης και σημασιολογικής αντιστοίχισης ετερογενών καταλόγων 6Gυπηρεσιών. Στόχος, ένα κοινό framework, μέσω του οποίου θα μπορούν να αναγνωρίζονται οι λειτουργικές ομοιότητες, οι τεχνικές διαφορές κι άλλες σχέσεις μεταξύ διαφορετικών υπηρεσιών. Στο πλαίσιο της εργασίας θα αξιοποιηθούν εργαλεία TN και Επεξεργασίας Φυσικής Γλώσσας και αλγόριθμοι ομαδοποίησης και συσταδοποίησης με σκοπό την εξαγωγή σημασιολογικών σχέσεων και οντολογικών χαρτών. Το τελικό αποτέλεσμα θα περιλαμβάνει:

• Ένα βασικό χάρτη (γράφο) υπηρεσιών και βιβλιογραφική επισκόπηση.
• Ένα σύνολο κανονικοποιημένων δομικών συστατικών.
• Ένα πρωτότυπο εργαλείο λογισμικού για την ανάλυση και σύγκριση καταλόγων.

Ερευνητικά Ερωτήματα.

• Μπορούν ετερογενείς υπηρεσίες τηλεπικοινωνιών, cloud και edge computing να αναπαρασταθούν μέσω ενός κοινού και ανεξάρτητου από τον πάροχο μοντέλου;
• Μπορούν σύνθετες εμπορικές υπηρεσίες να αποσυντεθούν συστηματικά σε επαναχρησιμοποιήσιμα και κανονικοποιημένα δομικά στοιχεία;
• Μπορούν να αναγνωριστούν με αξιόπιστο τρόπο σχέσεις υποκατάστασης, συμπληρωματικότητας και εξάρτησης μεταξύ διαφορετικών υπηρεσιών;
• Βελτιώνει η κανονικοποίηση τον αριθμό και την ποιότητα των αντιστοιχίσεων μεταξύ αιτημάτων χρηστών και προσφορών παρόχων;
• Μπορεί το προτεινόμενο σύστημα να παρέχει κατανοητές και τεχνικά τεκμηριωμένες εξηγήσεις για τις προτεινόμενες αντιστοιχίσεις;

Βιβλιογραφία.

• Sikeridis, I. Papapanagiotou, B. P. Rimal, and M. Devetsikiotis, “A Comparative Taxonomy and Survey of Public Cloud Infrastructure Vendors,” arXiv preprint arXiv:1710.01476, 2017.
• Zhang, R. Ranjan, A. Haller, D. Georgakopoulos, M. Menzel, and S. Nepal, “An Ontology-Based System for Cloud Infrastructure Services’ Discovery,” in Proceedings of the 8th International Conference on Collaborative Computing: Networking, Applications and Worksharing (CollaborateCom), 2012, pp. 524–530, doi: 10.4108/icst.collaboratecom.2012.250650.
• Rekik, K. Boukadi, and H. Ben-Abdallah, “Cloud Description Ontology for Service Discovery and Selection,” in Proceedings of the 10th International Conference on Software Engineering and Applications (ICSOFT-EA), 2015, pp. 26–36, doi: 10.5220/0005556400260036.
• Nabli, R. Ben Djemaa, and I. Amous Ben Amor, “Cloud Services Description Ontology Used for Service Selection,” Service Oriented Computing and Applications, vol. 16, no. 1, pp. 17–30, 2022, doi: 10.1007/s11761-021-00328-y.
• İ. Zilci, M. Slawik, and A. Küpper, “Cloud Service Matchmaking Approaches: A Systematic Literature Survey,” in Proceedings of the 2015 26th International Workshop on Database and Expert Systems Applications (DEXA), 2015, pp. 181–185, doi: 10.1109/DEXA.2015.50.
• Courcoubetis and R. Weber, Pricing Communication Networks: Economics, Technology and Modelling. Chichester, UK: John Wiley & Sons, 2003, doi: 10.1002/0470867175.

4. Πρόβλεψη Παραβιάσεων SLAs σε Δίκτυα 6G με Νευρωνικά Δίκτυα Γραφημάτων (GNNs)

Συνεπίβλεψη: Ερευνήτρια Πουλχερία Ζερβού, ΙΝ.ΒΙ.Σ./«ΑΘΗΝΑ», pzervou@isi.gr

Περίληψη. Ο ερχομός των δικτύων 5G έφερε πρωτοφανείς ταχύτητες, μειωμένη καθυστέρηση, και αυξημένη ευελιξία στο χώρο των τηλεπικοινωνιών. Όμως, η ετερογένεια των εφαρμογών με τα διαφορετικά επίπεδα ποιότητας υπηρεσίας έκαναν τη διαχείριση των πόρων του δικτύου πιο περίπλοκη. Μια λύση αυτού του προβλήματος αποτελεί ο τεμαχισμός δικτύου (network slicing). Ο τεμαχισμός του δικτύου επιτρέπει τη συνύπαρξη πολλαπλών εικονικών δικτύων σε μια κοινή φυσική υποδομή. Από την άλλη, η δυναμική φύση των δικτύων 5G περιπλέκει την ενορχήστρωσή τους, καθώς αιφνίδιες αυξήσεις στη ζήτηση των χρηστών μπορεί να οδηγήσουν σε ανεπάρκεια πόρων και πιθανές παραβιάσεις των Συμφωνιών Επιπέδου Υπηρεσιών (Service Level Agreements – SLAs). H τεχνητή νοημοσύνη αξιοποιείται σε μεθόδους προληπτικής διαχείρισης, χρησιμοποιώντας διαθέσιμα ιστορικά δεδομένα κίνησης και μετρήσεις δικτύου, με στόχο να προβλέψει πιθανές παραβιάσεις των SLA πριν αυτά εκδηλωθούν. Η παρούσα εργασία θα εξετάσει τη χρήση των Νευρωνικών Δικτύων Γραφημάτων (Graph Neural Networks – GNNs) για την πρόβλεψη πιθανών παραβιάσεων των SLAs. Τα GNNs είναι μοντέλα σχεδιασμένα για την επεξεργασία δεδομένων δομημένων ως γραφήματα, όπου τα δεδομένα αντιπροσωπεύονται από κόμβους και ακμές. Ο σκοπός μας είναι η εκμετάλλευση της δομής γραφήματος των ασύρματων δικτύων, για την αποτύπωση των σχέσεων μεταξύ χρηστών, των σταθμών βάσης, και ροών δεδομένων. Τέλος, η εργασία στοχεύει στη σύγκριση των GNNs με άλλα μοντέλα μηχανικής μάθησης ως προς την ικανότητα πρόβλεψης πιθανών παραβιάσεων των SLAs.

Στόχοι έρευνας.

• Ανασκόπηση της βιβλιογραφίας σε θέματα όπως δίκτυα 5G – 6G, network slicing, SLAs, (βαθιά) μηχανική μάθηση, και GNNs.
• Προεπεξεργασία των δεδομένων: καθαρισμός των δεδομένων, ορισμός των SLAs, και κατασκευή γραφήματος.
• Υλοποίηση των μοντέλων για την πρόβλεψη παραβιάσεων των SLAs.
• Συγκριτική αξιολόγηση των μοντέλων ως προς την ακρίβεια πρόβλεψης, αλλά και την ικανότητα εντοπισμού πιθανών παραβιάσεων SLA.

Απαιτείται υλοποίηση σε Python (χρησιμοποιώντας βιβλιοθήκες όπως PyTorch, TensorFlow και Scikit-learn).

Βιβλιογραφία.

• A. Garrido, A. Dalgkitsis, K. Ramantas, A. Ksentini and C. Verikoukis, “Resource Demand Prediction for Network Slices in 5G using ML Enhanced with Network Models,” in IEEE Transactions on Vehicular Technology, 2024.
• -C. Maroudis, T. Theodoropoulos, J. Violos, A. Leivadeas, and K. Tserpes, “Leveraging graph neural networks for SLA violation prediction in cloud computing,” IEEE Transactions on Network and Service Management, vol. 21, no. 1, pp. 605–620, 2024.
• Faisal, J. A. O. Lucena, D. R. Lopez, C. Wang, and M. Dohler, “How to design autonomous service level agreements for 6G,” IEEE Commun. Mag., vol. 61, no. 3, pp. 80–85, Mar. 2023.
• Sahili, Zahraa Al and Mariette Awad. “Spatio-Temporal Graph Neural Networks: A Survey.” ArXiv abs/2301.10569 (2023).
• Bonati, S. D’Oro, M. Polese, S. Basagni, T. Melodia, “Intelligence and Learning in O-RAN for Data-driven NextG Cellular Networks,” IEEE Communications Magazine, vol. 59, no. 10, pp. 21–27, October 2021.
• Polese, L. Bonati, S. D’Oro, S. Basagni, T. Melodia, “ColO-RAN: Developing Machine Learning-based xApps for Open RAN Closed-loop Control on Programmable Experimental Platforms,” IEEE Transactions on Mobile Computing, pp. 1-14, July 2022.

5.  Αυτόνομη Ανίχνευση και Αποκατάσταση Βλαβών σε Cloud-Native 5G Δίκτυα με Χρήση Machine Learning και Large Language Models

Συνεπίβλεψη: Ερευνήτρια Ζωή Πάνου, ΙΝ.ΒΙ.Σ./«ΑΘΗΝΑ», zpanou@isi.gr

Εισαγωγή. Η αρχιτεκτονική των δικτύων 5G έχει μεταβληθεί σημαντικά τα τελευταία χρόνια, με τον πυρήνα του δικτύου (5G Core) να υλοποιείται πλέον ως ένα σύνολο cloud-native υπηρεσιών που εκτελούνται σε περιβάλλοντα Kubernetes. Η προσέγγιση αυτή προσφέρει μεγαλύτερη ευελιξία και δυνατότητα κλιμάκωσης, αυξάνει όμως σημαντικά την πολυπλοκότητα της λειτουργίας και της διαχείρισης του δικτύου. Η συνεχής παρακολούθηση της κατάστασης του δικτύου, η έγκαιρη αναγνώριση προβλημάτων και η επιλογή των κατάλληλων ενεργειών αποκατάστασης αποτελούν πλέον ιδιαίτερα απαιτητικές διαδικασίες. Παρότι υπάρχουν εργαλεία συλλογής τηλεμετρίας και παρακολούθησης της λειτουργίας των υπηρεσιών, η διάγνωση των αιτιών μιας βλάβης και η επιλογή της κατάλληλης αντιμετώπισής της εξακολουθούν να βασίζονται κυρίως σε προκαθορισμένους κανόνες ή στην εμπειρία των διαχειριστών. Η αξιοποίηση τεχνικών Μηχανικής Μάθησης και Μεγάλων Γλωσσικών Μοντέλων (Large Language Models – LLMs) δημιουργεί νέες δυνατότητες για την ανάπτυξη συστημάτων που μπορούν να υποστηρίξουν ή να αυτοματοποιήσουν μέρος αυτής της διαδικασίας.

Περιγραφή. Αντικείμενο της διπλωματικής εργασίας είναι η ανάπτυξη ενός πειραματικού συστήματος για την ανίχνευση και αποκατάσταση βλαβών σε ένα cloud-native 5G δίκτυο. Στο πλαίσιο της εργασίας θα εγκατασταθεί ένα πειραματικό περιβάλλον 5G Core σε Kubernetes και θα πραγματοποιείται συνεχής συλλογή δεδομένων τηλεμετρίας, όπως χρήση επεξεργαστή και μνήμης, καθυστερήσεις, ρυθμός μετάδοσης, απώλειες πακέτων, συμβάντα του Kubernetes και μετρήσεις από τις επιμέρους Network Functions. Για τη δημιουργία ενός αντιπροσωπευτικού συνόλου δεδομένων θα χρησιμοποιηθούν τεχνικές Chaos Engineering, μέσω των οποίων θα εισάγονται ελεγχόμενες βλάβες στο δίκτυο, όπως υπερφόρτωση υπολογιστικών πόρων, καθυστερήσεις επικοινωνίας, αποτυχίες υπηρεσιών ή διακοπές συνδεσιμότητας. Τα σενάρια αυτά θα επιτρέψουν τη μελέτη της συμπεριφοράς του δικτύου κάτω από διαφορετικές συνθήκες λειτουργίας και θα χρησιμοποιηθούν για την ανάπτυξη και αξιολόγηση μοντέλων Machine Learning. Το μοντέλο Machine Learning θα αναλαμβάνει την αναγνώριση ή την ταξινόμηση της βλάβης με βάση τα διαθέσιμα δεδομένα τηλεμετρίας. Τα αποτελέσματα αυτά, σε συνδυασμό με πληροφορίες για την τοπολογία του δικτύου και την κατάσταση των υπηρεσιών, θα παρέχονται σε ένα Large Language Model, το οποίο θα προτείνει και θα εκτελεί τις κατάλληλες ενέργειες αποκατάστασης. Ενδεικτικά, οι ενέργειες αυτές μπορεί να περιλαμβάνουν επανεκκίνηση υπηρεσιών, κλιμάκωση πόρων, ανακατανομή φορτίου ή ειδοποίηση του διαχειριστή όταν απαιτείται ανθρώπινη παρέμβαση. Τέλος, θα αξιολογηθεί η αποτελεσματικότητα της προτεινόμενης προσέγγισης ως προς την ακρίβεια αναγνώρισης των βλαβών, τον χρόνο αποκατάστασης και τη συνολική βελτίωση της λειτουργίας του δικτύου.

Προσδοκόμενα αποτελέσματα και απαιτούμενες γνώσεις. Με την ολοκλήρωση της εργασίας αναμένεται να έχει αναπτυχθεί ένα πρωτότυπο σύστημα το οποίο θα μπορεί να παρακολουθεί την κατάσταση ενός cloud-native 5G δικτύου, να αναγνωρίζει αυτόματα διαφορετικούς τύπους βλαβών και να υποστηρίζει τη διαδικασία λήψης αποφάσεων για την αποκατάστασή τους μέσω της αξιοποίησης ενός Large Language Model. Απαιτούνται γνώσεις προγραμματισμού σε Python (συμπεριλαμβανομένου βιβλιοθηκών ανάπτυξης νευρωνικών δικτύων), λειτουργικών συστημάτων Linux και δικτύων υπολογιστών. Εξοικείωση με τεχνολογίες όπως Docker και Kubernetes.

Βιβλιογραφία.

• Shetty, M., Chen, Y., Somashekar, G., et al. (2024). Building AI Agents for Autonomous Clouds: Challenges and Design Principles. Proceedings of the ACM Symposium on Cloud Computing (SoCC 2024). DOI: 10.1145/3698038.3698525.
• Malul, E., Meidan, Y., Mimran, D., Elovici, Y., & Shabtai, A. (2024). GenKubeSec: LLM-Based Kubernetes Misconfiguration Detection, Localization, Reasoning, and Remediation. arXiv:2405.19954.
• Sarda, K., Namrud, Z., Litoiu, M., et al. (2024). Leveraging Large Language Models for the Auto-remediation of Microservice Applications: An Experimental Study. Proceedings of the ACM SIGSOFT International Symposium on the Foundations of Software Engineering (FSE 2024). DOI: 10.1145/3663529.3663855.
• Kakarla, R. (2024). LLM-Based Autonomous Remediation for DevSecOps Pipelines. Eastasouth Journal of Information System and Computer Science, 2(2), 179–188.
• Parthasarathy, K., Vaidhyanathan, K., Dhar, R., et al. (2025). Engineering LLM Powered Multi-agent Framework for Autonomous CloudOps. arXiv:2501.08243.
• Integrating Large Language Models with Cloud-Native Observability for Automated Root Cause Analysis and Remediation (2025). Proceedings of the 3rd International Conference on Artificial Intelligence, Systems and Network Security.
• Chaos Engineering Based Kubernetes Pod Rescheduling Through Deep Sets and Reinforcement Learning (IEEE NOMS 2025
• Zhang, L., Jia, T., Jia, M., et al. (2025). A Survey of AIOps in the Era of Large Language Models. ACM Computing Surveys.