2025-05-162025-05-162025-04-02https://pyxida.aueb.gr/handle/123456789/11957Τα Κινητά Ad Hoc Δίκτυα (MANETs) διαδραματίζουν καθοριστικό ρόλο σε στρατιωτικές επιχειρήσεις και καταστάσεις έκτακτης ανάγκης, όπως οι επικοινωνίες στο πεδίο της μάχης και η ανταπόκριση σε φυσικές καταστροφές. Η αποκεντρωμένη αρχιτεκτονική τους τα καθιστά ανθεκτικά και ιδανικά για δυναμικά μεταβαλλόμενα περιβάλλοντα, όπου οι τοπολογικές αλλαγές, όπως η απώλεια συνδέσεων, είναι συχνές. Ωστόσο, η αποτελεσματική λειτουργία τους απαιτεί προσαρμόσιμα πρωτόκολλα δρομολόγησης, τα οποία πρέπει να ανταποκρίνονται άμεσα στις μεταβολές του δικτύου με χαμηλό φόρτο δρομολόγησης. Οι παραδοσιακές μέθοδοι διαχείρισης των MANETs βασίζονται σε στατικές ρυθμίσεις, οι οποίες αδυνατούν να προσαρμοστούν σε δυναμικές συνθήκες. Η τεχνολογία των Ψηφιακών Διδύμων (Digital Twins) προσφέρει μια ισχυρή λύση, επιτρέποντας τη δημιουργία ενός ψηφιακού αντίγραφου του φυσικού δικτύου που παρακολουθεί, αναλύει και προσομοιώνει τη συμπεριφορά του σε πραγματικό χρόνο. Βασιζόμενο σε προηγούμενη έρευνα σχετικά με το Πρωτόκολλο Βελτιστοποιημένης Κατάστασης Συνδέσμου (OLSR) και αντιμετωπίζοντας τον περιορισμένο βαθμό αξιοποίησης συστημάτων DT στην βελτιστοποίηση των MANETs, η παρούσα εργασία αναπτύσσει ενα αρθρωτό και γενικεύσιμο σύστημα DT για ένα MANET που εκτελεί το πρωτόκολλο OLSR. Για να επιτευχθεί αυτό, το σύστημα ενσωματώνει εργαλεία ανοικτού κώδικα, όπως Eclipse Hono, Eclipse Ditto και FastAPI, για τη μετάδοση δεδομένων, τη διαχείριση κατάστασης και τη συνεχη ανατροφοδότηση του DT, διασφαλίζοντας τη βελτιστοποίηση του δικτύου σε πραγματικό χρόνο μέσω της αξιοποίησης αλγορίθμων μηχανικής μάθησης είτε για την ενίσχυση της ανταπόκρισης σε διακοπές συνδέσεων είτε για την ελαχιστοποίηση του φόρτου δρομολόγησης. Επιπλέον, ένας πίνακας ελέγχου βασισμένος στη βιβλιοθήκη React και στο Grafana επιτρέπει την παρακολούθηση και τον έλεγχο σε πραγματικό χρόνο, υποστηρίζοντας τις βασικές λειτουργίες ενός DT. Το σύστημα αξιολογήθηκε σε ένα πειραματικό περιβάλλον τεσσάρων Raspberry Pi, επιδεικνύοντας έναν κύκλο ανατροφοδότησης DT που περιλαμβάνει τη συλλογή δεδομένων από φυσικές συσκευές, τον συγχρονισμό σε πραγματικό χρόνο με το ψηφιακό μοντέλο, την εξαγωγή βελτιστοποιημένων συμπερασμάτων και την ανατροφοδότηση στο φυσικό σύστημα για συνεχή βελτίωση. Διενεργήθηκε ένα σενάριο μετατόπισης δεδομένων για την αξιολόγηση της ανθεκτικότητας ενός από τα μοντέλα σε μεταβολές στην κατανομή των δεδομένων. Συγκεκριμένα, η αξιολόγηση περιλάμβανε τη δημιουργία συνθετικών συνόλων δεδομένων όπου ορισμένες μεταβλητές μετασχηματίστηκαν ώστε να ακολουθούν Εκθετικές και Ομοιόμορφες κατανομές, δοκιμάζοντας έτσι την απόδοση και την αξιοπιστία του αλγορίθμου υπό μη-τυποποιημένες συνθήκες δεδομένων που ενδέχεται να εμφανιστούν σε δυναμικά περιβάλλοντα. Τα αποτελέσματα έδειξαν ότι το σύστημα απεικονίζει αποτελεσματικά την τοπολογία του δικτύου, παρέχει αξιοποιήσιμες πληροφορίες και διαμορφώνει παραμέτρους του δικτύου ως απόκριση σε αλλαγές της τοπολογίας. Η παρούσα έρευνα αναδεικνύει τη δυναμική των συστημάτων DT στην ενίσχυση της αποδοτικότητας και της προσαρμοστικότητας των MANETs σε δυναμικά και απαιτητικά περιβάλλοντα.Mobile Ad hoc Networks (MANETs) play a crucial role in military and emergency applications, such as battlefield communications and disaster response, due to their decentralized and resilient communication capabilities. In such dynamic environments, routing protocols must rapidly adapt to topology changes, such as link breaks, while keeping routing overhead low. Dynamically tuning protocol parameters based on real-time network conditions can significantly enhance performance and responsiveness, making MANETs more efficient in challenging scenarios. Despite these challenges, traditional approaches to MANETs optimization often rely on static configurations that fail to adapt to rapidly changing conditions. The Digital Twin (DT) technology offers a powerful solution by creating a virtual replica of a physical system that can dynamically respond to real-time changes. Building upon prior research on Optimized Link State Routing (OLSR) protocol and addressing the limited exploration of DT systems in MANET optimization, this thesis develops a modular and generalizable DT system for a MANET running the OLSR protocol. To achieve this, the system integrates open source tools such as Eclipse Hono, Eclipse Ditto, and FastAPI for data transmission, state management, and a continuous DT feedback loop, ensuring real-time network optimization by using optimization algorithms that leverage Machine Learning (ML) models to enhance responsiveness to link failures or minimize routing overhead. Additionally, a JavaScript-based dashboard using the React library and Grafana enables real-time monitoring and control, supporting the core functions of a DT. The system was evaluated in a testbed of four Raspberry Pis, demonstrating a DT feedback loop, which involves data collection from physical devices, real-time synchronization with the digital model, optimization inference, and feedback to the physical system for continuous improvement. A data drift scenario was conducted to evaluate one of the models’ robustness under distribution shifts. Specifically, the assessment involved generating synthetic datasets where select variables were transformed to follow Exponential and Uniform distributions, thereby testing the algorithm’s performance and reliability under non-standard data conditions that might occur in dynamic production environments. The results demonstrated that the system effectively visualizes the network topology, provides actionable insights and configures network parameters in response to topology changes. This research highlights the potential of DT systems to enhance the efficiency and adaptability of MANETs in dynamic and challenging environments.pages 92Attribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/Digital twinsMobile Ad Hoc networksOptimized link state routing protocolOptimization algorithmsMachine learning (ML)Ψηφιακά δίδυμαΚινητά δίκτυαΠρωτόκολλο βελτιστοποιηµένης κατάστασης συνδέσµουΑλγόριθμοι βελτιστοποίησηςΜηχανική μάθησηText