"Μοντελοποίηση και βελτιστοποίηση ετερογενών συστημάτων μέσω τεχνικών κατανεμημένης μηχανικής μάθησης Federated Learning και Blockchain Federated Learning"

Αξιοποιώντας τις δυνατότητες αλγορίθμων Μηχανικής Μάθησης στην τεχνολογία του Διαδικτύου των Πραγμάτων (Internet of Things – IoT), εκτιμάται ότι μπορούν να βελτιωθούν σημαντικά τα μελλοντικά IoT συστήματα. Σκοπός της διδακτορικής διατριβής, είναι η μελέτη, ανάπτυξη και εφαρμογή αλγορίθμων Μηχανικής Μάθησης σε συστήματα IoT, με στόχο την βελτιστοποίηση του τρόπου επικοινωνίας των μεταξύ των συσκευών (Machine to Machine – M2M). Βασική προϋπόθεση είναι η εξασφάλιση υψηλής ποιότητας υπηρεσιών του δικτύου, λαμβάνοντας υπόψη τους περιορισμούς υλικού που θέτουν οι συσκευές που απαρτίζουν το δίκτυο και την πολυπλοκότητα των μεταξύ τους συνδέσεων όσο αυξάνεται ο αριθμός των συσκευών. Οι IoT συσκευές χαρακτηρίζονται συνήθως από χαμηλές προδιαγραφές σε υπολογιστική ισχύ, μνήμη και χωρητικότητα. Επιπλέον, λόγω του μεγάλου όγκου συσκευών προκύπτει αξιοσημείωτη ετερογένεια, της οποίας η επίδραση θα πρέπει να μελετηθεί εκτενώς. Τέλος, θα πρέπει να ληφθούν υπόψιν οι ενεργειακές απαιτήσεις του συστήματος και πως αυτές επηρεάζονται από την εφαρμογή απαιτητικών τεχνικών Μηχανικής Μάθησης.