Το άρθρο του Μήνα: Ergodic Capacity of Generalized Fading Channels with Mobility

V. A. Aalo, P. S. Bithas and G. P. Efthymoglou, “Ergodic Capacity of Generalized Fading Channels With Mobility,” in IEEE Open Journal of Vehicular Technology, vol. 3, pp. 15-25, 2022, doi: 10.1109/OJVT.2021.3131321.

Χωρητικότητα (capacity, C) μίας τηλεπικοινωνιακής σύνδεσης με φάσμα εκπομπής BW (Hz) είναι ο μέγιστος ρυθμός πληροφορίας R_bit σε bit/sec. Συνήθως ορίζουμε την χωρητικότητα ανά μονάδα εκπεμπόμενου φάσματος ως το πηλίκο C/BW σε bit/sec/Hz. Σύμφωνα με το θεώρημα του Shannon η χωρητικότητα ενός καναλιού (μίας σύνδεσης) εξαρτάται από το σηματοθορυβικό λόγο λήψης (received signal-to-noise ratio, SNR), με βάση τον τύπο C=BW*log2(1+SNR). To SNR λήψης στον δέκτη είναι το πηλίκο της λαμβανόμενης ισχύος σήματος προς την ισχύ του θορύβου στην κεραία του δέκτη. Η λαμβανόμενη ισχύς σήματος εξαρτάται από την απόσταση πομπού-δέκτη και υπολογίζεται με βάση κάποιο μοντέλο διάδοσης. Το πιο απλό αλλά και σχετικά αξιόπιστο μοντέλο διάδοσης είναι αυτό στο οποίο η μείωση της ισχύος είναι αντιστρόφως ανάλογη της απόστασης υψωμένης σε μία δύναμη η, όπου  παράμετρος η, 2<η<6, ονομάζεται path loss exponent. Η τιμή της παραμέτρου η εξαρτάται από το περιβάλλον διάδοσης μεταξύ πομπού και δέκτη. Με βάση αυτό το μοντέλο διάδοσης μπορούμε να υπολογίσουμε για κάποια απόσταση d μεταξύ πομπού-δέκτη την μέση λαμβανόμενη ισχύ ως P_r(d)=P_t*d^(-η)*((λ/(4π))^2), όπου P_t είναι η ισχύς εκπομπής και λ το μήκος κύματος του φέροντος εκπομπής.  Στη συνέχεια  μπορούμε να βρούμε το μέσο λαμβανόμενο SNR για απόσταση d ως SNR(d)=P_r(d)/N, όπου Ν η ισχύς του θορύβου, και τέλος το μέγιστο bit rate ανά μονάδα φάσματος που μπορεί να επικοινωνεί ο δέκτης με βάση την παραπάνω σχέση του Shannon.

Στα ασύρματα κανάλια επικοινωνίας η στιγμιαία λαμβανόμενη ισχύς σήματος (και κατ’ επέκταση το στιγμιαίο λαμβανόμενο SNR) δίνεται από την μέση λαμβανόμενη ισχύ (η οποία εξαρτάται αποκλειστικά από την απόσταση και την παράμετρο path loss exponent) πολλαπλασιασμένη με την ισχύ του καναλιού |h|^2, ως SNR=P_r(d)*|h|^2. Η ισχύς του καναλιού ορίζεται ως το μέτρο στο τετράγωνο του συντελεστή του καναλιού h, ο οποίος χαρακτηρίζει το φαινόμενο της διάλειψης (fading) που υφίσταται το σήμα λήψης στο ασύρματο κανάλι. Στην βιβλιογραφία υπάρχουν πολλές κατανομές που δίνουν τη στατιστική περιγραφή του συντελεστή διάδοσης ενός ασύρματου καναλιού, όπως προκύπτουν είτε από ταίριασμα συναρτήσεων πυκνότητας πιθανότητας (probability density functions, PDFs) σε πειραματικές μετρήσεις που γίνονται σε διάφορα περιβάλλοντα μετάδοσης και διάφορες συχνότητες φερόντων (carrier frequencies) είτε με βάση φυσικά μοντέλα διάδοσης τα οποία όμως επαληθεύονται από πειραματικά δεδομένα. Η πιο χαρακτηριστική PDF δίνεται από τη συνάρτηση Rayleigh η οποία θεωρεί ότι το σήμα λήψης είναι η συνισταμένη πολλών ανακλώμενων και διαθλώμενων διαδρομών του σήματος εκπομπής με απουσία απευθείας διαδρομής. Η Rayleigh PDF έχει επαληθευτεί με διάφορες μετρήσεις σε κινητούς δέκτες σε περιβάλλοντα χωρίς οπτική επαφή πομπού-δέκτη. Την τελευταία δεκαετία έχουν αναφερθεί στη βιβλιογραφία πολλές ακόμα PDFs που δίνουν το στατιστικό χαρακτηρισμό του συντελεστή του καναλιού για διαφορετικά περιβάλλοντα διάδοσης αλλά και διαφορετικές συχνότητες φέροντος (π.χ. 800 ΜΗz, 3.5 GHz, 27 GΗz, κτλ), όπως η Nakagami-m, Generalized-K, α-μ, η-μ, κ-μ, α-η-μ, α-κ-μ και α-κ-μ shadowed.

Στην περίπτωση λήψης σήματος με διάλειψη σε σταθερή απόσταση d πρέπει να βρούμε το στατιστικό μέσο όρο (statistical average) της χωρητικότητας του καναλιού για μέσο λαμβανόμενο SNR(d) ως προς την κατανομή της ισχύος του καναλιού |h|^2. Για κάθε μια από τις παραπάνω PDFs του συντελεστή του καναλιού h έχουν βρεθεί μαθηματικές σχέσεις για την χωρητικότητα του καναλιού, ώστε κάποιος να μπορεί γρήγορα να υπολογίσει το μέγιστο bit rate συναρτήσει του μέσου SNR για διαφορετικά περιβάλλοντα διάδοσης. Τα αποτελέσματα αυτά θεωρούν δέκτη σε συγκεκριμένη θέση, άρα σταθερή απόσταση πομπού-δέκτη, ο οποίος λαμβάνει το σήμα με διάλειψη λόγω της διάδοσης στο ασύρματο κανάλι.

Στο συγκεκριμένο άρθρο θεωρούμε ότι ο δέκτης κινείται μέσα σε μία περιοχή με ακτίνα D, η οποία ορίζει την περιοχή κάλυψης (coverage area) ενός σταθμού βάσης. Με βάση την μέγιστη απόσταση πομπού-δέκτη D και το μοντέλο διάδοσης ορίζουμε το μέσο SNR στο όριο της περιοχής κάλυψης SNR_D=P_t*D^(-η)/Ν. Ως μοντέλο κίνησης θεωρούμε το random waypoint (RWP) model για το οποίο γνωρίζουμε την κατανομή της απόστασης πομπού-δέκτη. Στο σχήμα 1 δίνεται η θεωρητική PDF και το ιστόγραμμα με προσομοίωση της απόστασης πομπού-δέκτη με βάση το RWP model για D=100m.

Η διαφορά με τον ακίνητο δέκτη είναι ότι τώρα η μέση λαμβανόμενη ισχύς (άρα το μέσο λαμβανόμενο SNR) είναι τυχαία μεταβλητή με PDF η οποία υπολογίζεται με βάση την PDF της απόστασης πομπού-δέκτη R, όπου 0<R<D. Επομένως πρέπει να υπολογίσουμε το στατιστικό μέσο όρο της χωρητικότητας του καναλιού με διάλειψη για σταθερό  μέσο SNR ως προς την κατανομή (PDF) του μέσου SNR, αφού το μέσο SNR συνεχώς μεταβάλλεται για τον κινούμενο δέκτη όπως μετακινείται μέσα στην περιοχή κάλυψης.

Στο άρθρο αυτό  δίνουμε μαθηματικές σχέσεις για τη χωρητικότητα κατά Shannon (ergodic capacity) για έναν κινούμενο δέκτη μέσα σε μία περιοχή κάλυψης με ακτίνα D συναρτήσει του μέσου SNR στο όριο της περιοχής κάλυψης SNR_D. Επίσης συγκρίνουμε την χωρητικότητα του κινούμενου δέκτη με έναν δέκτη που βρίσκεται στη μέση της περιοχής κάλυψης (απόσταση πομπού-δέκτη d=D/2). Τέλος δίνουμε ασυμπτωτικές μαθηματικές σχέσεις της χωρητικότητας για μεγάλες τιμές του μέσου SNR_D, οι οποίες μας δείχνουν την επίδραση των παραμέτρων της διάλειψης του καναλιού αλλά και των παραμέτρων της κίνησης του δέκτη στη χωρητικότητα που μπορούμε να πετύχουμε.

Στο Σχήμα 2 δίνεται η χωρητικότητα του καναλιού συναρτήσει του transmit SNR=P_t/N για  δύο στατιστικές διάλειψης: Nakagami-m και Generalized-K, για στατικό δέκτη σε απόσταση d=D/2 και για κινούμενο δέκτη με το μοντέλο RWP. Τέλος, επειδή η χωρητικότητα του κινούμενου δέκτη υπολογίζεται ως η στατιστική μέση τιμή σε πολλές αποστάσεις πομπού-δέκτη, μπορεί να θεωρηθεί και ως η μέση φασματική απόδοση (average spectral efficiency) μέσα στην περιοχή κάλυψης. Αυτή είναι μία πολύ σημαντική παράμετρος στο σχεδιασμό των δικτύων διότι όταν πολλαπλασιαστεί με το φάσμα εκπομπής ενός σταθμού βάσης δίνει την μέση προσφερόμενη χωρητικότητα σε bit/sec που μπορεί να προσφέρει ο σταθμός βάσης που βρίσκεται στο κέντρο μίας περιοχής κάλυψης με ακτίνα D.

REFERENCES

[1] D. B. Da Costa and M. D. Yacoub, “Average channel capacity for generalized fading scenarios,” IEEE Commun. Lett., vol. 11, no. 12, pp. 949–951, Dec. 2007.

[2] K. Govindan, K. Zeng, and P. Mohapatra, “Probability density of the received power in mobile networks,” IEEE Trans. Wireless Commun., vol. 10, no. 11, pp. 3613–3619, Nov. 2011.

[3] V. A. Aalo, C. Mukasa, and G. P. Efthymoglou, “Effect of mobility on the outage and BER performances of digital transmissions over Nakagami-m fading channels,” IEEE Trans. Veh. Technol., vol. 65, no. 4, pp. 2715–2721, Apr. 2015.

[4] V. A. Aalo, P. S. Bithas, and G. P. Efthymoglou, “On the impact of user mobility on the performance of wireless receivers,” IEEE Access, vol. 8, pp. 197300–197311, Oct. 2020.

Άρθρο:

Βραβείο καλύτερης ερευνητικής εργασίας

Το ερευνητικό άρθρο “A Novel Indexing Method for Spatial-Keyword Range Queries” με συμμετοχή του Αναπληρωτή Καθηγητή Χρήστου Δουλκερίδη του Τμήματος Ψηφιακών Συστημάτων έλαβε το βραβείο καλύτερης εργασίας (“Ralf H. Güting Best Research Paper Award”) στο διεθνές ερευνητικό συνέδριο 17th International Symposium on Spatial and Temporal Databases (SSTD’21). Το συνέδριο SSTD αποτελεί ένα από τα σημαντικότερα συνέδρια στο χώρο των χωρικών και χωρο-χρονικών βάσεων δεδομένων.

Παρουσίαση (βίντεο): https://www.youtube.com/watch?v=EkZDKP4KDXI

Άρθρο: https://dl.acm.org/doi/10.1145/3469830.3470897

Πολυεπίπεδη μελέτη του Δερματικού Μελανώματος με Τεχνικές Βαθιάς Μηχανικής Μάθησης

Ηλίας Μαγκλογιάννης

Καθηγητής

Η μελέτη  βασίζεται στην ευφυή συνδυαστική ανάλυσης δημογραφικών, κλινικών, απεικονιστικών και μοριακών δεδομένων

Αξιοποιούνται δεδομένα δερμοσκοπίας για την συστηματική παρακολούθηση αλλαγών στις δερματικές αλλοιώσεις και την έγκαιρη διάγνωση του ΔΜ.

Σχεδιάζεται και αναπτύσσεται ολοκληρωμένο λογισμικό Ηλεκτρονικού φακέλου Υγείας αντιμετωπίζοντας το ΔΜ ως ρεαλιστικό πρότυπο της πολυπλοκότητας επιδημιολογικής διαχείρισης μιας νόσου.

Το Εργαστήριο Yπολογιστικής Βιοϊατρικής (http://cbml.ds.unipi.gr/el/ – Computational Biomedicine) υλοποιεί σε συνεργασία με άλλους φορείς[1] το ερευνητικό έργο TRANSITION με στόχο την πολυεπίπεδη μελέτη του Δερματικού Μελανώματος (ΔΜ) μέσω της ευφυούς συνδυαστικής ανάλυσης δημογραφικών, κλινικών, απεικονιστικών και μοριακών δεδομένων ασθενών με ΔΜ.

Πολυεπίπεδη Μελέτη του Δερματικού Μελανώματος (ΔΜ) με Τεχνικές Βαθείας Μηχανικής Μάθησης

Το ΔΜ είναι κακοήθης όγκος των μελανοκυττάρων της  επιδερμίδας, των κυττάρων που βρίσκονται στη βασική στοιβάδα της επιδερμίδας και παράγουν τη χρωστική μελανίνη. Παρά το γεγονός ότι το ΔΜ αποτελεί λιγότερο από το 5% των περιστατικών καρκίνου του δέρματος, είναι υπεύθυνο για την πλειονότητα των θανάτων που σχετίζονται με αυτόν, λόγω της εξαιρετικά επιθετικής φύσης του. Τις τελευταίες δεκαετίες, η συχνότητα  εμφάνισης ΔΜ αυξάνεται σταθερά σε όλο τον κόσμο, συνεπεία πτυχών του σύγχρονου, δυτικού τρόπου ζωής (τουρισμός και αύξηση διαλείπουσας έκθεσης στην ηλιακή ακτινοβολία, διατροφή) και προβλέπεται ότι η αύξηση αυτή θα συνεχιστεί.

Στην περίπτωση του μελανώματος, η ανάγκη για έγκαιρη διάγνωση, πολύ πιο έντονα από τις περισσότερες μορφές καρκίνου, αποκτά επιπλέον βαρύτητα γιατί αν το μελάνωμα εντοπιστεί έγκαιρα μπορεί επιτυχώς να αφαιρεθεί χειρουργικά και να επιτευχθεί πλήρης ίαση. Σε αντίθετη περίπτωση, και παρά τις πρόσφατες θετικές εξελίξεις στην αντιμετώπιση του μεταστατικού μελανώματος με στοχευμένα φάρμακα και ανοσοθεραπεία, η πρόγνωση του μελανώματος προχωρημένου σταδίου είναι  ιδιαίτερα κακή, το δε κόστος εξαιρετικά υψηλό.

Το έργο από τεχνολογικής άποψης είναι εξαιρετικά καινοτόμο γιατί:

  • Πραγματοποιείται για πρώτη φορά στην Ελλάδα πολυεπίπεδος μοριακός χαρακτηρισμός ασθενών με μελάνωμα. Πιο συγκεκριμένα, θα πραγματοποιηθεί προσδιορισμός πιθανών κληρονομικών πολυμορφισμών που ενδέχεται να σχετίζονται με προδιάθεση για εμφάνιση της νόσου, ανίχνευση σωματικών μεταλλάξεων (μεταλλάξεων ειδικών για τον καρκινικό ιστό) κάθε ασθενούς και μελέτη της γονιδιακής έκφρασης επιλεγμένων γονιδίων-στόχων στον καρκινικό ιστό.
  • Αξιοποιούνται δεδομένα δερμοσκοπίας για την συστηματική παρακολούθηση αλλαγών στις δερματικές αλλοιώσεις και την έγκαιρη διάγνωση του ΔΜ. Πιο συγκεκριμένα, o συσχετισμός των εξαγόμενων χαρακτηριστικών εικόνας με τα μοριακά δεδομένα θα βοηθήσει στην ανάδειξη σύνθετων υπογραφών για την διάγνωση του ΔΜ και την κατανόηση των μηχανισμών της ασθένειας, ενώ μέσω αξιοποίησης νέων τεχνικών αναγνώρισης προτύπων και βαθιάς μηχανικής μάθησης (Deep Neural Networks) σε απώτερο στάδιο θα προσφέρει τη βάση για εξαγωγή νέων, βελτιωμένων, μη επεμβατικών ταξινομητών χαρακτηρισμού της νόσου
  • Σχεδιάζεται και αναπτύσσεται ολοκληρωμένο λογισμικό Ηλεκτρονικού φακέλου Υγείας αντιμετωπίζοντας το ΔΜ ως ρεαλιστικό πρότυπο της πολυπλοκότητας επιδημιολογικής διαχείρισης μιας νόσου, ολοκληρώνοντας όλα τα επιμέρους υποσυστήματα και διευκολύνοντας την διαδικασίες ορθολογικού σχεδιασμού και υποστήριξης λήψης ιατρικών αποφάσεων.

Το λογισμικό που αναπτύχθηκε από την ομάδα ερευνητών στο Εργαστήριο Yπολογιστικής Βιοϊατρικής  για την επεξεργασία των δερμοσκοπικών εικόνων αν και δύναται να λειτουργήσει ως αυτόνομη εφαρμογή αναπτύχθηκε με τις αρχές του κατανεμημένου υπολογισμού και διατίθεται ως προγραμματιστική διεπαφή (Application Programming Interface – API) προκειμένου να ενσωματωθεί στο ολοκληρωμένο πληροφοριακό σύστημα που αναπτύσσει το έργο. Η λειτουργικότητα του παρέχεται μέσω διαδικτυακών υπηρεσιών (REST Web Services). Tο REST (Representational State Transfer) παρέχει μια πιο ευέλικτη αρχιτεκτονική, που επιτρέπει διαφορετικές μορφές μηνυμάτων για την επικοινωνία μεταξύ διαφορετικών υπολογιστικών συστημάτων. Παραδείγματα των εφαρμογών μπορείτε να βρείτε στη σελίδα http://cbml.ds.unipi.gr/en/demos/


[1] Το έργο Transition “Μεταφράζοντας την διαγνωστική πολυπλοκότητα του μελανώματος σε ορθολογική θεραπευτική  διαστρωμάτωση” χρηματοδοτείται από την Ειδική Υπηρεσία Διαχείρισης και Εφαρμογής Δράσεων στους Τομείς της Έρευνας, της Τεχνολογικής Ανάπτυξης και της Καινοτομίας (ΕΥΔΕ ΕΤΑΚ) Επιχειρησιακό Πρόγραμμα Ανταγωνιστικότητα, Επιχειρηματικότητα και Καινοτομία (ΕΠΑνΕΚ) στο πλαίσιο της δράσης «ΕΡΕΥΝΩ – ΚΑΙΝΟΤΟΜΩ – ΔΗΜΙΟΥΡΓΩ». Στο έργο συμμετέχουν μαζί με το Πανεπιστήμιο Πειραιά η εταιρεία Datamed Systems Integration & Consulting Services, το Εθνικό Ίδρυμα Ερευνών και η Πανεπιστημιακή κλινική Αφροδισίων και Δερματικών νόσων στο ΝΟΣΟΚΟΜΕΙΟ ΑΝΔΡΕΑΣ ΣΥΓΓΡΟΣ.

3D Μοντελοποίηση Εναέριων Δικτύων (Unmanned Aerial Vehicles – UAVs)

Αθανάσιος Κανάτας

Καθηγητής

Tα UAV δίκτυα έχουν προταθεί ως συνιστώσα των ασύρματων δικτύων επόμενης γενιάς (beyond 5G).

Ερευνητές από το Τμήμα Ψηφιακών Συστημάτων προτείνουν για πρώτη φορά μία απλή και ρεαλιστική μαθηματική δομή για την τρισδιάστατη μοντελοποίηση ενός UAV δικτύου με πεπερασμένο αριθμό από κόμβους-UAVs. Η δομή βασίζεται σε εργαλεία στοχαστικής γεωμετρίας.

3D ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΕΝΑΕΡΙΩΝ ΔΙΚΤΥΩΝ (Unmanned Aerial Vehicles – UAVs)

Tα UAV δίκτυα έχουν προταθεί ως συνιστώσα των ασύρματων δικτύων επόμενης γενιάς (beyond 5G) λόγω των μεγάλων πλεονεκτημάτων που προσφέρουν σε καταστάσεις έκτακτης ανάγκης, σε περιπτώσεις συγκεντρώσεων μεγάλης κλίμακας, ακόμη και σε στρατιωτικές εφαρμογές [1]. Η μοντελοποίηση τους όμως παραμένει ένα περίπλοκο ζήτημα. Πρόσφατα, η χρήση εργαλείων στοχαστικής γεωμετρίας έχει αποδειχθεί ικανή να μοντελοποιήσει εξαιρετικά περίπλοκες δομές επίγειων κυψελωτών δικτύων δύο διαστάσεων [2]. Δεδομένης της ανάγκης για τον χαρακτηρισμό των παρεμβολών σε ένα κυψελωτό δίκτυο, η στοχαστική γεωμετρία παρέχει την δυνατότητα απλοποίησης της αξιολόγησης της επίδοσης ενός τέτοιου δικτύου παρέχοντας συχνά διαφωτιστικά συμπεράσματα για τον σχεδιασμό τους.

Προτείνεται η 3D Binomial Point Process για τη μοντελοποίηση των UAV δικτύων.

Μέχρι τώρα, η δισδιάστατη στοχαστική διαδικασία Poisson (2D Poisson Point Process)  χρησιμοποιείται ευρέως για την χωρική μοντελοποίηση των χρηστών μέσα στα υπάρχοντα κυψελωτά δίκτυα. Ωστόσο υπάρχουν δύο σημαντικά προβλήματα στην προσέγγιση αυτή. Αρχικά, η μοντελοποίηση στις δύο διαστάσεις δεν είναι επαρκής για ρεαλιστικά UAV δίκτυα. Πρόσφατα [3], ερευνητές από το Τμήμα Ψηφιακών Συστημάτων ανέδειξαν  για πρώτη φορά την ανάγκη για μελέτη τρισδιάστατων UAV δικτύων. Συγκεκριμένα, αποδείχθηκε ότι τόσο σε πειραματικό όσο και σε αναλυτικό επίπεδο τα υπάρχοντα μοντέλα δύο διαστάσεων παρέχουν πιο αισιόδοξη επίδοση σε όρους κάλυψης έναντι των ρεαλιστικών τρισδιάστατων UAV δικτύων. Επιπλέον, ένα εναέριο δίκτυο δεν μπορεί να μοντελοποιηθεί με ακρίβεια με PPP καθώς διαφορετικές υλοποιήσεις της PPP αποτελούνται από διαφορετικό πλήθος χρηστών. Ωστόσο, στα ρεαλιστικά εναέρια τρισδιάστατα δίκτυα, το πλήθος των εναέριων κόμβων είναι πεπερασμένο. Για τέτοιες περιπτώσεις, μία απλή αλλά κατάλληλη επιλογή για την χωρική στοχαστική μοντελοποίηση των εναέριων κόμβων, αποτελεί η τρισδιάστατη διωνυμική στοχαστική διαδικασία (3D Binomial Point Process).

Στο πλαίσιο της μελέτης που πραγματοποιήθηκε, η 3D BPP χρησιμοποιείται για την χωρική μοντελοποίηση και την αξιολόγηση της επίδοσης ενός ρεαλιστικού UAV δικτύου, όπου ένας πεπερασμένος αριθμός από UAVs τοποθετείται μέσα σε μία σφαίρα. Ένας εναέριος σταθμός βάσης τοποθετείται στο κέντρο της σφαίρας και επικοινωνεί με τον κοντινότερο εναέριο χρήστη. Η ζεύξη υποφέρει από την παρουσία ενός ισχυρού παρεμβολέα. Το μοντέλο αυτό απεικονίζεται στο σχήμα. Το σύστημα αξιολογήθηκε ως προς διάφορες μετρικές επίδοσης παρέχοντας σημαντικά διαφωτιστικά συμπεράσματα για τον σχεδιασμό των UAV δικτύων.

Η εργασία αυτή εκπονήθηκε και δημοσιεύτηκε στο περιοδικό IEEE Access από τον Υποψήφιο Διδάκτορα του Τμήματος Ψηφιακών Συστημάτων κ. Χαράλαμπο Αρμενιάκο, υπό την επίβλεψη του Καθηγητή κ. Αθανάσιου Κανάτα, σε συνεργασία με τον Επίκουρο Καθηγητή του ΕΚΠΑ κ. Πέτρο Μπίθα.

Βιβλιογραφία:

[1] M. Mozaffari, W. Saad, M. Bennis, Y. Nam and M. Debbah, “A Tutorial on UAVs for Wireless Networks: Applications, Challenges, and Open Problems,” IEEE Commun. Surveys Tuts., vol. 21, no. 3, pp. 2334-2360, 2019.

[2] M. Haenggi, Stochastic Geometry for Wireless Networks. Cambridge, U.K.: Cambridge Univ. Press, 2012.

[3] C. K. Armeniakos, P. S. Bithas and A. G. Kanatas, “SIR Analysis in 3D UAV Networks: A Stochastic Geometry Approach,” in IEEE Access, doi:10.1109/ACCESS.2020.3036983.

Επεξεργασία Μεγάλων Δεδομένων σε NoSQL Συστήματα

Χρήστος Δουλκερίδης

Αναπλ. Καθηγητής

Μία καινοτόμος μέθοδος ενοποίησης NoSQL συστημάτων αποθήκευσης δεδομένων για προγραμματιστές Μεγάλων Δεδομένων

Ερευνητές από το Τμήμα Ψηφιακών Συστημάτων προτείνουν έναν καινοτόμο και ομοιόμορφο τρόπο πρόσβασης σε δεδομένα αποθηκευμένα σε μη-σχεσιακά NoSQL συστήματα.

Παρόλο που τα NoSQL συστήματα αποθήκευσης δεδομένων (MongoDB, CouchDB, HBase, Cassandra, Redis, κτλ.) αποτελούν την τεχνολογία αιχμής για διαχείριση Μεγάλων Δεδομένων, εξακολουθούν να χρησιμοποιούν διαφορετικές γλώσσες και προγραμματιστικές διεπαφές, δυσχεραίνοντας την ανάπτυξη εφαρμογών.   

Στην πράξη, όπως φαίνεται στην εικόνα, για να αναπτύξει κανείς μια εφαρμογή στη MongoDB πρέπει πρώτα να μάθει το API της, και το ίδιο για την HBase, Redis, κτλ., τα οποία είναι – κατά κανόνα – εντελώς διαφορετικά καθώς μπορεί να υποστηρίζουν διαφορετικά μοντέλα δεδομένων. Σαν αποτέλεσμα, ο κώδικας της ίδιας εφαρμογής διαφέρει τελείως από NoSQL σύστημα σε άλλο, γεγονός που δυσχεραίνει τη μετάβαση από το ένα σύστημα στο άλλο.

Στα πλαίσια του ερευνητικού έργου Track&Know προτείνεται μια νέα μέθοδος για την ενοποίηση διαφορετικών NoSQL συστημάτων κάτω από μια κοινή προγραμματιστική διεπαφή. Η μέθοδος αυτή ονομάζεται NoDA (NoSQL Data Access Operators) και έχει ομοιότητες με άλλες διεπαφές (ODBC, JDBC) που χρησιμοποιούνται εδώ και δεκαετίες για Σχεσιακά Συστήματα Αποθήκευσης Δεδομένων. 

«Πολύ απλή ιδέα, αλλά πάρα πολύ χρήσιμη» [Εξωτερικός κριτής]

Με απλά λόγια το NoDA είναι μια προγραμματιστική διεπαφή (βλ. μπλε επίπεδο δεξιά στην εικόνα) που αποτελείται από βασικούς τελεστές πρόσβασης σε δεδομένα (όπως filter, project, aggregate, sort) οι οποίοι υλοποιούνται για κάθε NoSQL σύστημα ξεχωριστά, προσφέροντας έτσι στον προγραμματιστή ένα εύκολο λεξιλόγιο για να αναπτύξει τις εφαρμογές του, με τα εξής πλεονεκτήματα:

  • Είναι απλό και εύκολο στην εκμάθηση, καθώς αποκρύπτει την ιδιοσυγκρασία καθενός NoSQL συστήματος.
  • Είναι ενιαίο και ομοιόμορφο, επιτρέποντας έτσι τη φορητότητα κώδικα από ένα  NoSQL σύστημα σε άλλο, ακριβώς όπως γίνεται στις Σχεσιακές Βάσεις Δεδομένων.
  • Παρέχει επιπρόσθετα διεπαφή σε μια γλώσσα που μοιάζει με την SQL, κάνοντάς το ακόμη πιο εύχρηστο για προγραμματιστές και αναλυτές δεδομένων.

Η εργασία αυτή εκπονείται από τον Υποψήφιο Διδάκτορα του Τμήματος Ψηφιακών Συστημάτων Νικόλαου Κουτρουμάνη, υπό την επίβλεψη του Αναπληρωτή Καθηγητή Χρήστου Δουλκερίδη.

Περισσότερες πληροφορίες:

Διεθνής Βράβευση στο Τμήμα Ψηφιακών Συστημάτων για την Εκπαίδευση Μηχανικών

Ο Καθηγητής Δημήτριος Σάμψων, που υπηρετεί στο Τμήμα Ψηφιακών Συστημάτων από το 2001, έλαβε το ετήσιο βραβείο Golden Nikola Tesla Chain Award 2018 for International Outstanding Achievements in the field of Engineering Pedagogy από τον Διεθνή Οργανισμό International Society of Engineering Pedagogy (IGIP) κατά τη διάρκεια του 48ου ετήσιου συνεδρίου τους (26-28 Σεπτεμβρίου 2018). Το βραβείο δίνεται κάθε χρόνο σε αναγνώριση της συνεισφοράς στην εξέλιξη του πεδίου της Εκπαίδευσης Μηχανικών.  Ο Καθηγητής Σάμψων βραβεύτηκε για την συνεισφορά του στην αξιοποίηση των Ψηφιακών Τεχνολογιών στην Εκπαίδευση Μηχανικών. Ο Διεθνής Οργανισμός  International Society of Engineering Pedagogy λειτουργεί 48 χρόνια και αριθμεί περισσότερα από 1500 μέλη (συμπεριλαμβανομένων ακαδημαϊκών ιδρυμάτων και επιχειρήσεων) από 60 χώρες σε όλο τον κόσμο.


Ο Καθηγητής Δημήτριος Σάμψων με:

  • τον Καθηγητή Hanno Hortsch, Technical University of Dresden, Germany – Πρόεδρο του IGIP;
  • τον Καθηγητή Michael E. Auer, Carinthia University of Applied Sciences, Austria, Γενικό Γραμματέα του IGIP, και
  • την Καθηγήτρια Staphanie Farrel, Professor and Chair, Experiential Engineering Education, Rowan University, USA – Πρόεδρο του American Society for Engineering Education

ΠΟΡΕΙΑ ΑΠΟΦΟΙΤΩΝ 2015-17: Έρευνα επαγγελματικής πορείας των αποφοίτων του Τμήματος Ψηφιακών Συστημάτων

ΠΟΡΕΙΑ ΑΠΟΦΟΙΤΩΝ 2015-17: Έρευνα Επαγγελματικής Πορείας των Αποφοίτων του Τμήματος Ψηφιακών Συστημάτων

Παρακαλούνται οι Απόφοιτοι του Τμήματος 2015-17, να συμμετάσχουν στην Έρευνα Επαγγελματικής Πορείας Αποφοίτων του Πανεπιστημίου Πειραιώς.

Η συμπλήρωση του ερωτηματολογίου, αποτελεί πολύτιμη συμβολή στη συγκέντρωση σημαντικών πληροφοριών σχετικών με την επαγγελματική ένταξη των αποφοίτων μας.

Η έρευνα διεξάγεται από το Γραφείο Διασύνδεσης του Πανεπιστημίου Πειραιώς.

Μπορείτε να συμπληρώσετε το ηλεκτρονικό ερωτηματολόγιο το οποίο βρίσκεται στην ηλεκτρονική διεύθυνση: https://www.surveymonkey.com/r/careerofficeunipi