Επικοινωνία και Επεξεργασία Δεδομένων Δικτύων Αισθητήρων (Υ-ΚΔΕ)

Το μάθημα «Επικοινωνία και Επεξεργασία Δεδομένων Δικτύων Αισθητήρων» εισάγει τους φοιτητές στις βασικές αρχές σχεδίασης, λειτουργίας και βελτιστοποίησης των Δικτύων Αισθητήρων (ΔΑ). Εξετάζονται η επικοινωνία, η διαχείριση ενέργειας, τα πρωτόκολλα πρόσβασης και δρομολόγησης, καθώς και οι τεχνικές επεξεργασίας δεδομένων που βελτιώνουν την αποδοτικότητα και την αξιοπιστία τους. Παρουσιάζονται πρωτόκολλα όπως LEACH και AODV, στρατηγικές ενεργειακής διαχείρισης (duty cycling, clustering, επαναφόρτιση), καθώς και η χρήση Τεχνητής Νοημοσύνης για προσαρμοστική λειτουργία και βελτίωση της διάρκειας ζωής του δικτύου. Το μάθημα περιλαμβάνει επίσης προσομοιώσεις με Python και OMNeT++, και εργαστηριακά projects για την ανάπτυξη πρακτικών δεξιοτήτων.

Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα εξοικειωθούν με:

• Τις βασικές αρχές και την αρχιτεκτονική των ΔΑ, συμπεριλαμβανομένων των μοντέλων επικοινωνίας, των αρχιτεκτονικών κόμβων και των βασικών προκλήσεων λειτουργίας τους.
• Τις βασικές λειτουργίες των ΔΑ, όπως η συλλογή δεδομένων, η επεξεργασία, η μετάδοση και η δρομολόγηση, καθώς και τις παραμέτρους που επηρεάζουν την απόδοσή τους.
• Το επίπεδο πρόσβασης μέσου (MAC) στα ΔΑ, με έμφαση σε πρωτόκολλα ενεργειακής απόδοσης και τεχνικές διαχείρισης σύγκρουσης.
• Το επίπεδο δικτύου και τις τεχνικές δρομολόγησης, συμπεριλαμβανομένων των Flooding, Gossiping, LEACH και AODV.
• Τις στρατηγικές ενεργειακής διαχείρισης και ελαχιστοποίησης της κατανάλωσης ενέργειας, με τεχνικές όπως adaptive duty cycling, clustering, και επαναφόρτιση κόμβων.
• Την εφαρμογή τεχνικών Τεχνητής Νοημοσύνης (ΑΙ) στα ΔΑ, με στόχο τη βελτιστοποίηση της δρομολόγησης, τη βελτίωση της διάρκειας ζωής του δικτύου και την αυτόνομη προσαρμογή του στις περιβαλλοντικές συνθήκες.
• Τη χρήση προσομοιωτών και εργαλείων ανάλυσης Δικτύων Αισθητήρων, όπως Python-based frameworks και OMNeT++ για την αξιολόγηση της απόδοσης πρωτοκόλλων και τεχνικών.
• Την ανάπτυξη πρακτικών δεξιοτήτων στον σχεδιασμό και τη βελτιστοποίηση δικτύων αισθητήρων, μέσω εργαστηριακών ασκήσεων και projects.

1. Βασικές Έννοιες και Χαρακτηριστικά Δικτύων Αισθητήρων

• Εφαρμογές σε IoT, έξυπνες πόλεις, περιβαλλοντική παρακολούθηση, βιομηχανία

• Κύριες προκλήσεις: ενεργειακή αποδοτικότητα, συνδεσιμότητα, αξιοπιστία

• Σύγκριση με παραδοσιακά δίκτυα

2. Δομή και Αρχιτεκτονική Δικτύων Αισθητήρων

• Τύποι κόμβων: αισθητήρες, aggregators, sink nodes

• Δομές επικοινωνίας: centralized vs. distributed

• Τοπολογίες: πλέγμα, δέντρο, επίπεδη δομή

3. Συλλογή, Επεξεργασία και Μετάδοση Δεδομένων

• Αποθήκευση και συγχρονισμός δεδομένων

• Στρατηγικές aggregation

4. Πρωτόκολλα Πρόσβασης στο Μέσο (MAC)

• Σύγκριση TDMA, CSMA, S-MAC, T-MAC, B-MAC

• Ενεργειακή αποδοτικότητα στα MAC πρωτόκολλα

5. Δρομολόγηση σε Δίκτυα Αισθητήρων

• Flooding, Gossiping, clustering-based routing

• Κριτήρια επιλογής διαδρομής: απόσταση, latency, ενέργεια

• Εισαγωγή σε δυναμικά πρωτόκολλα δρομολόγησης

6. Διαχείριση Ενέργειας σε Δίκτυα Αισθητήρων

• Παράγοντες κατανάλωσης ενέργειας

• Duty cycling και adaptive wake-up mechanisms

• Clustering και energy-aware routing

• Energy harvesting (ηλιακή, RF, κινητική)

7. Πρωτόκολλο LEACH

• Αρχιτεκτονική και λειτουργία

• Cluster heads και δυναμική κατανομή ρόλων

• Σύγκριση με άλλες clustering τεχνικές

8. Δυναμικά Πρωτόκολλα Δρομολόγησης

• On-demand path discovery

• AODV, DSR, OLSR

• Ενεργειακή κατανάλωση σε AODV

9. Τεχνικές Επαναφόρτισης Δικτύων Αισθητήρων

• Ηλιακή, ασύρματη, κινητική φόρτιση

• Mobile charging stations και UAVs

• Συνδυασμός ενεργειακής αποδοτικότητας με AI

10. Εφαρμογές Τεχνητής Νοημοσύνης σε ΔΑ

• Βελτιστοποίηση δρομολόγησης

• Ανίχνευση ανωμαλιών και πρόβλεψη ενέργειας

• Reinforcement learning για ενεργειακά αποδοτική επικοινωνία

• AI-driven διαχείριση δεδομένων

11. Ανάλυση και Επεξεργασία Δεδομένων Αισθητήρων

• Στατιστικές μέθοδοι και ML-based analytics

• Edge computing για επεξεργασία κοντά στην πηγή

• Federated Learning σε ΔΑ

12. Προσομοίωση και Αξιολόγηση Επιδόσεων

• Χρήση προσομοιωτών

• Μετρικές αξιολόγησης: latency, energy consumption, packet delivery ratio

• Σύγκριση πρωτοκόλλων σε διαφορετικά σενάρια

13. Ανασκόπηση και Προοπτικές Έρευνας

• Μελλοντικές τάσεις και ερευνητικές κατευθύνσεις

• “Σύγχρονα Τηλεπικοινωνιακά και Δικτυακά Πρωτόκολλα”, Χρήστος Δουληγέρης, Εκδόσεις Νέων Τεχνολογιών, ISBN: 978-960-
  578-083-8, 2021
• “Αισθητήρες Μέτρησης και Ελέγχου”, Κωνσταντίνος Καλοβρέκτη, Εκδόσεις ΤΖΙΟΛΑΣ, ISBN13 9789604187584, 2018
• “Ανάπτυξη Εφαρμογών με το Arduino”, Παναγιώτης Παπάζογλου, Σπύρος-Πολυχρόνης Λιωνής, Εκδόσεις ΤΖΙΟΛΑΣ, ISBN13
  9789604185504, 2021
• “ΔΙΚΤΥΑ ΥΠΟΛΟΓΙΣΤΩΝ”, Andrew S. Tanenbaum, Εκδόσεις Κλειδάριθμος, ISBN13 9789606451836, 2021

Τρόπος Παράδοσης: Πρόσωπο με πρόσωπο στην τάξη και στο εργαστήριο

Οργάνωση Διδασκαλίας

- Διαφάνειες για τη διδασκαλία του θεωρητικού μέρους, οι οποίες είναι διαθέσιμες μέσω της πλατφόρμας e-class.
- Εργαστηριακοί οδηγοί, οι οποίοι είναι διαθέσιμοι μέσω της πλατφόρμας e-class.
- Ερωτήσεις και Ασκήσεις αυτοαξιολόγησης μέσω της πλατφόρμας e-class.
- Υποστήριξη μαθησιακής διαδικασίας μέσω της πλατφόρμας e-class

Γραπτή τελική εξέταση που περιλαμβάνει:
- Ερωτήσεις Σύντομης Απάντησης
- Επίλυση Προβλημάτων
- Ερωτήσεις Πολλαπλής Επιλογής

Ατομικές εργασίες που περιλαμβάνουν:
- Ανάπτυξη προγράμματος σε γλώσσα
προγραμματισμού
- Αναφορά