NETWORK INTELLIGENCE
Anno accademico 2025/2026 - Docente: MARCO SIINORisultati di apprendimento attesi
Risultati di apprendimento attesi
Il corso mira a fornire una comprensione approfondita dei principi e delle metodologie della Network Intelligence (NI), integrando l'analisi avanzata dei dati (Machine Learning, Deep Learning e Modelli Linguistici) nelle architetture di rete wired, wireless e 5G/6G.
Sfruttando le competenze acquisite nel corso gli studenti saranno in grado di identificare i requisiti principali per lo specifico contesto applicativo e di individuare e progettare le soluzioni più appropriate.
Alla fine del corso gli studenti saranno in grado di individuare le migliori soluzioni per la progettazione e lo sviluppo di modelli di Intelligenza Artificiale da applicare
Prerequisiti richiesti
Teoria della probabilità e variabili aleatoria, teoria dei segnali determinati e aleatori, schemi di modulazione analogica e i principali aspetti relativi alle modulazioni digitali (ASK, FSK, PSK) e alla codifica di canale. Fondamentali di statistica e analisi matematica. Programmazione Orientata agli Oggetti.
Frequenza lezioni
Contenuti del corso
Contenuti del corso
1: Introduzione: Tecniche di Intelligenza Artificiale per le Reti (8 ore)
- Principi di base: Machine Learning (ML), Deep Learning (DL) and Modelli Linguistici (LLM)
2: Network Intelligence for signal recognition (10 ore)
- Problemi di decodifica e sincronizzazione nei sistemi di rete (sensibilità a fading e multipath); Le sfide della decodifica classica.
- Decodifica basata su AI: Il ruolo del Deep Learning (DL) nella decodifica in assenza di sincronizzazione; Analisi del trade-off critico tra prestazioni (Bit Error Rate - BER) e dimensioni del modello in sistemi con risorse limitate.
- Sistemi di comunicazione Caotica: Chaos Shift Keying (CSK), mappe caotiche (es.: Mappa Logistica e Mappa di Bernoulli). Vantaggi in termini di resilienza alle interferenze e sicurezza; tecniche di pruning strutturale basate sulla similarità del filtro.
3: Network Intelligence for network routing and traffic engineering (10 ore)
- Routing Intelligente basato su Deep Learning.
- Previsione del traffico e della congestione tramite analisi di serie temporali.
- LLM per l’automazione e l’ottimizzazione di ambienti di test e simulazionione
- Adattamento dinamico dei parametri TCP e QUIC tramite algoritmi ML, DL ed LLM.
4: Network Intelligence for protocol design (10 ore)
- Rappresentazione dei dati e armonizzazione dei dati in protocolli eterogenei.
- Utilizzo di Modelli Linguistici (LLM) per l’automazione della creazione e deployment di interfacce southbound; Utilizzo di LLM per la generazione automatizzata di interfacce di comunicazione.
- Virtual Object (VO) for IoT.
5: Network Intelligence for network security (6 ore)
- Social Network Analysis, strutture sociali sulle piattaforme online e analisi delle identità utente e dei modelli di diffusione.
- Identificazione e classificazione di contenuti problematici (es. Hate Speech, PCL, Fake News) tramite modelli AI (CNN, Transformer).
6: Network Intelligence for Real-time Adaptation in Wireless Networks (10 ore)
- Non stazionarietà nei sistemi 6G: canali dinamici, mobilità degli utenti e variazione della domanda di traffico; Concetti di base di Reinforcement Learning (RL) applicati agli ambienti wireless.
- Modelli di Multi-Armed Bandit per allocazione rapida delle risorse in condizioni di incertezza: decisioni rapide a singolo step nei sistemi wireless; strategie di esplorazione sotto condizioni di rete variabili; gestione del comportamento in reti non stazionario; deploy di modelli leggeri in testbed di telecomunicazioni.
- Context-aware bandits Bandit basati su indicatori di rete semplici
- Hackathon sui Multi-Armed Bandits applicati all’allocazione della banda e alla massimizzazione del throughput.
7: Network Intelligence for Network troubleshooting (6 ore)
- Log Analysis and Diagnostic; Knowledge Extraction e diagnosi da file di log tramite LLM.
8: Network Intelligence for Network Control (10 ore)
- Framework di Reinforcement Learning per problemi in cui le azioni influenzano gli stati futuri della rete: effetti multi-step delle decisioni nelle reti di comunicazione; funzioni di state-value e action-value; l’Equazione di Bellman; Q-learning per migliorare le prestazioni a lungo termine nei sistemi wireless.
- Addestramento di algoritmi RL utilizzando simulatori di rete basati su Gym.
- Laboratorio di RL per minimizzazione della latenza di rete.
9: Deep Reinforcement Learning for Complex 5G Control Problems (5 ore)
- Ottimizzazione di problemi di controllo wireless tramite agenti complessì: dal Q-Learning al Deep Q-Learning: gestione di osservazioni complesse nei sistemi wireless; considerazioni pratiche di stabilità per il Deep Reinforcement Learning in condizioni wireless variabili.
- Confronto tra Multi-Armed Bandit (MAB), Reinforcement Learning (RL) e Deep Reinforcement Learning (DRL) per risolvere problemi di ottimizzazione nelle reti.
- Valutazione di algoritmi di DRL nel simulatore di reti ns3.
- Laboratorio di Deep Reinforcement Learning in reti Open-RAN.
10: Coordination and Multi-Agent Decision Making in 6G environments (4 ore)
- Il futuro dell’AI nelle reti 6G: utilizzo di multipli agenti di rete che controllano simultaneamente parti diverse della rete; problemi di coordinamento derivanti da interferenze e risorse di comunicazione condivise.
- Reinforcement learning multi-agente per scenari cooperativi e competitivi.
- Teoria dei giochi per analisi della stabilità in scenari multi-agent.
- Caso d’uso: coordinamento di più xApp in O-RAN per il risparmio energetico delle Radio Unit.
Testi di riferimento
- Proakis, J. G., & Salehi, M., Digital Communications, 5th ed., McGraw-Hill, New York, USA.
- Luise, M., & Vitetta, G., Teoria dei Segnali, McGraw-Hill Italia, Milano, Italy.
- Kurose, J. F., & Ross, K. W., Computer Networking: A Top-Down Approach, 8th ed., Pearson, Boston, USA.
- Andreas F. Molich, Wireless Communications: From Fundamentals to Beyond 5G, Wiley, Hoboken, NJ, USA.
- Dahlman, E., Parkvall, S., & Sköld, J., 5G NR: The Next Generation Wireless Access Technology, 2nd ed., Academic Press (Elsevier), Cambridge, MA, USA.
- Appunti docente
Programmazione del corso
|
|
Argomenti |
Riferimenti testi |
|
1 |
Introduzione: Tecniche di Intelligenza Artificiale per le Reti |
1, 3, 6 |
|
2 |
Network Intelligence for signal recognition |
2, 6 |
|
3 |
Network Intelligence for network routing and traffic engineering |
3, 6 |
|
4 |
Network Intelligence for protocol design |
3, 6 |
|
5 |
Network Intelligence for network security |
3, 6 |
|
6 |
Network Intelligence for Real-time Adaptation in Wireless Networks |
4, 6 |
|
7 |
Network Intelligence for Network troubleshooting |
3, 4, 6 |
|
8 |
Network Intelligence for Network Control |
3, 6 |
|
9 |
Deep Reinforcement Learning for Complex 5G Control Problems |
5, 6 |
|
10 |
Coordination and Multi-Agent Decision Making in 6G environments |
6 |
Testi di riferimento
- Proakis, J. G., & Salehi, M., Digital Communications, 5th ed., McGraw-Hill, New York, USA.
- Luise, M., & Vitetta, G., Teoria dei Segnali, McGraw-Hill Italia, Milano, Italy.
- Kurose, J. F., & Ross, K. W., Computer Networking: A Top-Down Approach, 8th ed., Pearson, Boston, USA.
- Andreas F. Molich, Wireless Communications: From Fundamentals to Beyond 5G, Wiley, Hoboken, NJ, USA.
- Dahlman, E., Parkvall, S., & Sköld, J., 5G NR: The Next Generation Wireless Access Technology, 2nd ed., Academic Press (Elsevier), Cambridge, MA, USA.
- Appunti docente
Verifica dell'apprendimento
Modalità di verifica dell'apprendimento
L’esame prevede due modalità alternative, a scelta dello studente:
VERIFICA TIPO A — Progetto + Orale
Consegna del progetto entro il mese di giugno.
Discussione orale del progetto entro la sessione di settembre.
VERIFICA TIPO B — Scritto + Orale
Prova scritta su tutti gli argomenti del corso.
Colloquio orale di approfondimento a seguito dello scritto (3 domande).
Esempi di domande e/o esercizi frequenti
· “Spiega perché l’assenza di sincronizzazione (con fading/multipath) rende difficile la decodifica classica e come un approccio Deep Learning può funzionare: quali input/target useresti e qual è il trade-off BER vs dimensione del modello?”
· “Come imposteresti un sistema di routing/traffic engineering basato su AI: cosa osservi, cosa predici/ottimizzi e come dimostri che migliora congestione e latenza rispetto a baseline?”
· “In che modo l’AI (in particolare un LLM) può automatizzare il design e il deployment di interfacce/protocolli (es. southbound) e quali sono i rischi/contromisure per correttezza e sicurezza?”
· “Quando un Multi-Armed Bandit è più adatto del Reinforcement Learning per l’adattamento real-time in wireless non stazionario? Spiega con un esempio di allocazione risorse e punta su esplorazione e drift temporale.”
· “Come useresti un LLM per fare troubleshooting da log: dal parsing all’ipotesi di root cause, includendo come eviti hallucinations (grounding) e come valuti l’accuratezza della diagnosi.”
· “Definisci i Markov Decision Process e Bellman, poi spiega perché il controllo di rete è un problema multi-step: come imposteresti stato/azione/reward per minimizzare latenza e perché Q-learning è adatto (o quando non lo è).”
· “Perché serve passare da Q-learning a DQN in problemi 5G complessi? Descrivi i meccanismi di stabilizzazione (replay, target network) e come valuteresti sperimentalmente in un simulatore di rete”
· “Qual è il problema chiave del multi-agent in reti 6G, e come imposteresti il coordinamento tra agenti?.”