54.70 Computermethodik: Allgemeines
Filtern
Dokumenttyp
- Masterarbeit (2)
Sprache
- Deutsch (2)
Volltext vorhanden
- ja (2)
Gehört zur Bibliographie
- ja (2)
Schlagworte
Diese Masterarbeit beschäftigt sich mit der Untersuchung von Leistungsbeeinträchtigungen in xDSL-Netzwerken durch den Einsatz von ML (Machine Learning) Methoden. Angesichts der noch immer weit verbreiteten Bedeutung einer zuverlässigen und leistungsfähigen DSL-Infrastruktur für den digitalen Alltag zielt diese Arbeit darauf ab, innovative Lösungen zur Identifizierung und Behebung von Signalstörungen zu erforschen. Durch eine umfassende Analyse der xDSL-Technologie und der bestehenden Herausforderungen im Bereich der Signalübertragung legt die Arbeit die theoretische Grundlage für den Einsatz von ML. Anschließend werden verschiedene ML-Modelle entwickelt, trainiert und evaluiert, um ihre Eignung für die automatische Erkennung und Klassifizierung von Netzwerkbeeinträchtigungen zu bestimmen. Die Ergebnisse zeigen, dass ML-basierte Ansätze das Potenzial haben, signifikante Verbesserungen in der Fehlerdiagnose und Behebung zu erzielen, was letztendlich zu einer optimierten Netzwerkleistung führt. Diese Arbeit leistet einen wichtigen Beitrag im Bereich der Netzwerkdiagnostik und öffnet neue Wege für die Anwendung von ML-Technologien in der Telekommunikationsindustrie.
Smart Services sind Teil des globalen Megatrends der digitalen Transformation. Seit circa 2015 ermöglichen Smart Services, dass Unternehmen Dienstleistungen erbringen, bereits bevor Kund/innen den Bedarf für diese erkennen. Dies führt zu einer Effizienz- und Effektivitätssteigerung für alle Beteiligten, wodurch wiederum die Zufriedenheit aller gesteigert wird. Die Ursprünge von Smart Homes reichen hingen bis in die 1960er Jahre zurück. Bereits damals wurden reaktive und proaktive Steuerungsmöglichkeiten für das „Wired Home“ aufgezeigt. Der hohe Energie- und Ressourcenbedarf wecken bei immer mehr Menschen das Bedürfnis, die Effektivität und die Effizienz ihres Lebensraumes zu steigern. Trotz der großen Weiterentwicklungen im Bereich des Internet of Things und dem Machine Learning, nennen Benutzer/innen ihren Lebensraum bereits smart, wenn sie diesen aus der Ferne steuern können. Diese Arbeit überträgt die Implikationen des Begriffs „smart“ aus der Grundfunktionalität eines Smart Services auf Smart Homes. Damit soll die Frage beantwortet werden, ob mit Machine Learning eine präemptive Steuerung eines Smart Homes möglich ist. Hierzu werden unterschiedliche Algorithmen verwendet, um mit einem Datensatz aus einer Laborumgebung Machine Learning Modelle zu erstellen. Diese werden auf Basis mehrerer Metriken miteinander verglichen, um festzustellen, ob es möglich ist, damit eine präemptive Steuerung für ein Smart Home umzusetzen.
