BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20260612T144925Z LAST-MODIFIED:20260612T144925Z DTSTAMP:20260612T231000Z UID:1781295000_8461@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Κωνσταντίνου Πατεράκη - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8461&cHash=c3e309b2b52168e 8c010d81ed73f314e\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Κωνσταντίνου Πα τεράκη\n με θέμα\n Πειραματική Διερε ύνηση και Μοντελοποίηση Διάταξης Προ στασίας από Υπερτάσεις σε Φορτιστές Ηλεκτρικών Οχημάτων\n Experimental I nvestigation and Modelling of SPD in Electric Vehicle Chargers\n Εξεταστ ική Επιτροπή\n Επίκουρος Καθηγητής Γ εώργιος Πέππας (επιβλέπων)\n Καθηγητ ής Κωνσταντίνος Γυφτάκης\n Αναπληρωτ ής Καθηγητής Θωμάς Τσοβίλης (ΑΠΘ, Τμ ήμα ΗΜΜΥ)\n Περίληψη\n Η ταχεία ανάπ τυξη της ηλεκτροκίνησης έχει οδηγήσε ι σε αυξανόμενη ζήτηση για υποδομές φόρτισης ηλεκτρικών οχημάτων. Καθώς οι φορτιστές ηλεκτρικών οχημάτων εγκ αθίστανται ολοένα και περισσότερο σε οικιακούς, εμπορικούς και δημόσιους χώρους, η αξιόπιστη και ασφαλής λει τουργία τους αποτελεί σημαντική απαί τηση για τις σύγχρονες ηλεκτρικές εγ καταστάσεις. Δεδομένου ότι οι φορτισ τές ηλεκτρικών οχημάτων περιλαμβάνου ν ευαίσθητα ηλεκτρονικά, ενδέχεται ν α εκτεθούν σε μεταβατικές υπερτάσεις που προκαλούνται από κεραυνική δρασ τηριότητα, διακοπτικούς χειρισμούς κ αι άλλες ηλεκτρικές διαταραχές. Για τον λόγο αυτό, οι διατάξεις προστασί ας από υπερτάσεις είναι απαραίτητες για τη μείωση της ηλεκτρικής καταπόν ησης που επιβάλλεται στον φορτιστή κ αι για τη βελτίωση της αξιοπιστίας τ ης εγκατάστασης. Η παρούσα διπλωματι κή εργασία περιλαμβάνει τόσο πειραμα τική διερεύνηση όσο και μοντελοποίησ η μιας τέτοιας προστατευτικής συσκευ ής, η οποία χρησιμοποιείται σε εγκατ αστάσεις φόρτισης ηλεκτρικών οχημάτω ν.\n Το πειραματικό μέρος της εργασί ας εξετάζει τη μεταβατική συμπεριφορ ά της προστατευτικής συσκευής υπό τυ ποποιημένες κρουστικές κυματομορφές τάσης και ρεύματος. Οι δοκιμές πραγμ ατοποιήθηκαν με διαφορετικές συνδεσμ ολογίες, ώστε να εξεταστεί η απόκρισ ή της υπό κρουστικές συνθήκες. Επιπλ έον, η ίδια συσκευή διερευνήθηκε πει ραματικά ως μέρος του συστήματος προ στασίας ενός φορτιστή ηλεκτρικού οχή ματος, με στόχο την αξιολόγηση της σ υμπεριφοράς της πλήρους συνδεσμολογί ας υπό κρουστική καταπόνηση.\n Στο μ έρος της μοντελοποίησης αναπτύσσεται ένα ισοδύναμο κυκλωματικό μοντέλο τ ης προστατευτικής συσκευής στο ATP-E MTP. Το μοντέλο βασίζεται στην εσωτε ρική τοπολογία της συγκεκριμένης συσ κευής και περιλαμβάνει αναπαραστάσει ς τόσο των μεταλλοξειδικών βαρίστορ όσο και των σπινθηριστών αερίου που χρησιμοποιούνται ως προστατευτικά στ οιχεία. Το προτεινόμενο μοντέλο επικ υρώθηκε μέσω συγκρίσεων μεταξύ προσο μοιωμένων και πειραματικών κυματομορ φών τάσης και ρεύματος.\n Συνολικά, η διπλωματική εργασία συμβάλλει στην ανάλυση της μεταβατικής συμπεριφορά ς των διατάξεων προστασίας από υπερτ άσεις και της απόδοσης της προστασία ς έναντι υπερτάσεων σε εγκαταστάσεις φόρτισης ηλεκτρικών οχημάτων, μέσω μιας συνδυασμένης πειραματικής και υ πολογιστικής προσέγγισης.\n Abstract  \n The rapid growth of electric mob ility has led to an increasing deman d for electric vehicle charging infr astructure. As electric vehicle char gers become more widely installed in residential, commercial and public locations, their reliable and safe o peration becomes an important requir ement for modern electrical installa tions. Since EV chargers include sen sitive power electronic components, they may be exposed to transient ove rvoltages caused by lightning activi ty, switching operations and other e lectrical disturbances. For this rea son, surge protective devices (SPDs) are essential for reducing the elec trical stress imposed on the charger and improving the reliability of th e installation. This diploma thesis includes both experimental work and modeling of an SPD used for the prot ection of electric vehicle charger i nstallations.\n The experimental par t of this work examines the transien t behavior of the SPD under standard impulse voltage and current wavefor ms. The tests were performed with di fferent connection configurations, t o examine the response of the device under impulse conditions. In additi on, the same SPD was experimentally investigated as part of the protecti on system of an electric vehicle cha rger, to assess the behavior of the complete connection arrangement unde r impulse stress.\n The modeling par t of this work develops an equivalen t circuit model of the SPD in ATP-EM TP. The model is based on the intern al topology of the specific device a nd includes representations of both metal oxide varistor and gas dischar ge tube protective elements. The pro posed model was validated through co mparisons between simulated and expe rimental voltage and current wavefor ms.\n Overall, the thesis contribute s to the analysis of SPD transient b ehavior and surge protection perform ance in electric vehicle charger ins tallations through a combined experi mental and simulation approach.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260615T140000 DTEND:20260615T150000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260612T125132Z LAST-MODIFIED:20260612T125132Z DTSTAMP:20260612T231000Z UID:1781295000_8460@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Μάριου Μανωλιά - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8460&cHash=d04dbbc2c8c9b43 1fbb72b5cab48cea8\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Μάριου Μανωλιά  \n με θέμα\n Ανάπτυξη Ψηφιακού Διδύμ ου Φωτοβολταϊκού Μετατροπέα DC/DC σε Αναδιατασσόμενη Λογική\n Developmen t of the Digital Twin of a Photovolt aic DC/DC Converter in Reconfigurabl e Logic\n Εξεταστική Επιτροπή\n Καθη γητής Ευτύχιος Κουτρούλης (Επιβλέπων )\n Επίκουρος Καθηγητής Γεώργιος Πέπ πας\n Καθηγητής Σωτήριος Ιωαννίδης\n Περίληψη\n Καθώς πραγματοποιείται η ενεργειακή μετάβαση σε Ανανεώσιμες Πηγές Ενέργειας (ΑΠΕ), τα ηλεκτρονικ ά ισχύος που τις υποστηρίζουν πρέπει να λειτουργούν αποδοτικά και αξιόπι στα, επιτρέποντας παράλληλα ανίχνευσ η βλαβών και αποκλίσεων από την αναμ ενόμενη λειτουργία. Η παρούσα διπλωμ ατική εργασία παρουσιάζει την ανάπτυ ξη ενός ψηφιακού διδύμου πραγματικού χρόνου για έναν φωτοβολταϊκό (Φ/Β) μετατροπέα ανύψωσης τάσης (DC-DC Boo st converter), υλοποιημένου σε FPGA. Το ψηφιακό δίδυμο εκτελείται παράλλ ηλα με το πραγματικό σύστημα και λει τουργεί ως ενσωματωμένη αναφορά της αναμενόμενης συμπεριφοράς, επιτρέπον τας συνεχή παρακολούθηση και ανίχνευ ση ανωμαλιών με πολύ μικρή καθυστέρη ση, χωρίς εξάρτηση από υποδομές υπολ ογιστικού νέφους. Αρχικά αναπτύσσετα ι και επιβεβαιώνεται το μοντέλο μετα τροπέα και ελεγκτή στο MATLAB/Simuli nk, μετασχηματίζεται σε διακριτό χρό νο και στη συνέχεια υλοποιείται σε π λακέτα Intel MAX10 μέσω σύνθεσης στο Quartus. Η πειραματική αξιολόγηση δ είχνει ότι το ψηφιακό δίδυμο αναπαρά γει με ακρίβεια τη δυναμική του μετα τροπέα σε τυπικές συνθήκες, ενώ οι α ποκλίσεις διδύμου–συστήματος παρέχου ν πληροφορία χρήσιμη για παρακολούθη ση κατάστασης, ανίχνευση βλαβών και μελλοντικές επεκτάσεις σε προηγμένο έλεγχο και διάγνωση.\n Λέξεις-Κλειδι ά: Ψηφιακό δίδυμο, Φωτοβολταϊκά (Φ/Β ), Μετατροπέας ανύψωσης τάσης (Boost ) DC/DC, Αναδιατασσόμενη λογική, Κλε ιστός βρόχος ελέγχου\n Abstract \n A s the energy transition toward renew able energy sources progresses, the power electronics that support them must operate efficiently and reliabl y while enabling rapid detection of faults and deviations from expected performance. This thesis presents th e development of a real-time digital twin for a photovoltaic (PV) DC–DC Boost converter, implemented on an F PGA. The digital twin runs in parall el with the physical system and acts as an embedded reference of the exp ected behavior, enabling continuous monitoring and low-latency anomaly d etection without relying on cloud co mputing infrastructure. First, a det ailed converter-and-controller model is developed and validated in MATLA B/Simulink, transformed into a discr ete-time form, and then implemented on an Intel MAX10 development board through synthesis in Intel Quartus. Validation through FPGA-in-the-Loop co-simulation shows that the FPGA-ba sed digital twin accurately reproduc es the converter dynamics under typi cal operating conditions. Deviations between the digital twin and the ph ysical system provide information th at is useful for condition monitorin g, fault detection, and future exten sions toward advanced control and di agnostics.\n Keywords: Digital Twin, Photovoltaic (PV), Boost DC/DC Conv erter, FPGA, FPGA-in-the-Loop\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260616T120000 DTEND:20260616T130000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260612T120309Z LAST-MODIFIED:20260612T120309Z DTSTAMP:20260612T231000Z UID:1781295000_8459@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Βασιλικής Νέτσιου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8459&cHash=4897705bf3129eb 946975035ddab181d\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Βασιλικής Νέτσι ου\n με θέμα\n Ομοσπονδιακή Μάθηση κ αι Αυτοματοποίηση Ροών Εργασίας CEP/ CEF μέσω Τελεστών του RapidMiner Stu dio\n Federated Learning and CEP/CEF Workflow Automation through RapidMi ner Studio Operators\n Εξεταστική Επ ιτροπή\n Καθηγητής Αντώνιος  Δεληγια ννάκης (επιβλέπων)\n Αναπληρωτής Καθ ηγητής Βασίλειος Σαμολαδάς\n Επίκουρ ος Καθηγητής Νικόλαος Γιατράκος\n Πε ρίληψη\n Η αυξανόμενη πολυπλοκότητα των κατανεμημένων συστημάτων επεξεργ ασίας ροών δεδομένων, σε συνδυασμό μ ε την ανάγκη για μηχανική μάθηση με διαφύλαξη της ιδιωτικότητας, δημιουρ γεί σημαντικές προκλήσεις στη διαμόρ φωση και ενορχήστρωση ετερογενών τεχ νολογιών. Το Federated Learning επιτ ρέπει την εκπαίδευση μοντέλων σε κατ ανεμημένους κόμβους χωρίς τη συγκέντ ρωση των πρωτογενών δεδομένων, ενώ ο ι τεχνικές Complex Event Processing/ Forecasting (CEP/CEF) επιτρέπουν την αναγνώριση και πρόβλεψη σύνθετων γε γονότων σε πραγματικό χρόνο. Ωστόσο, η ενσωμάτωση αυτών των προσεγγίσεων σε υποδομές streaming απαιτεί συνήθ ως χειροκίνητη παραμετροποίηση, εξει δικευμένες τεχνικές γνώσεις και άμεσ η αλληλεπίδραση με τη γραμμή εντολών .\n Η παρούσα διπλωματική εργασία αν τιμετωπίζει αυτές τις προκλήσεις μέσ ω της ανάπτυξης custom operators για το RapidMiner Studio, μια οπτική πλ ατφόρμα μηχανικής μάθησης. Οι τελεστ ές επιτρέπουν στους χρήστες να διαμο ρφώνουν οπτικά πειράματα federated l earning και να ενσωματώνουν μηχανή C EP/CEF σε κατανεμημένες ροές εργασία ς streaming, μειώνοντας την ανάγκη γ ια χειροκίνητη παραμετροποίηση χαμηλ ού επιπέδου. Η προτεινόμενη αρχιτεκτ ονική διαχωρίζει το επίπεδο ελέγχου από το επίπεδο επεξεργασίας δεδομένω ν, επιτρέποντας τον σχεδιασμό και τη ν εκτέλεση σύνθετων ροών εργασίας μέ σω οπτικού περιβάλλοντος, ενώ παραμέ νουν διαθέσιμες ρυθμίσεις που εξαρτώ νται από την εκάστοτε υποδομή, όπως οι Kafka brokers, οι απομακρυσμένες διαδρομές αρχείων και τα SSH credent ials.\n Η πειραματική αξιολόγηση επι βεβαίωσε ότι η προτεινόμενη προσέγγι ση απλοποιεί επιτυχώς την ενορχήστρω ση κατανεμημένων συστημάτων streamin g μέσω οπτικού περιβάλλοντος.\n Abst ract \n The increasing complexity of distributed data stream processing systems, combined with the need for privacy-preserving machine learning, creates significant challenges in c onfiguring and orchestrating heterog eneous technologies. Federated Learn ing enables model training across di stributed nodes without centralizing raw data, while Complex Event Proce ssing and Forecasting (CEP/CEF) tech niques allow real-time pattern recog nition and prediction over event str eams. However, integrating these app roaches into streaming infrastructur es typically requires manual configu ration, specialized technical knowle dge, and direct interaction with com mand-line interfaces.\n This diploma thesis addresses these challenges t hrough the development of custom ope rators for RapidMiner Studio, a visu al machine learning platform. The op erators allow users to visually conf igure federated learning experiments and to integrate a CEP/CEF engine i nto distributed streaming pipelines, reducing the amount of manual low-l evel configuration required. The pro posed architecture separates the con trol layer from the data processing layer, enabling the design and execu tion of complex streaming workflows through a drag-and-drop environment while still exposing deployment-spec ific settings such as Kafka brokers, remote paths, and SSH credentials w hen needed.\n The experimental evalu ation confirmed that the proposed ap proach successfully simplifies the o rchestration of distributed streamin g systems through a visual environme nt.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260616T120000 DTEND:20260616T130000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260612T092844Z LAST-MODIFIED:20260612T092844Z DTSTAMP:20260612T231000Z UID:1781295000_8458@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Ελεονόρας Τσόμη - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8458&cHash=bd3f54c8f5ca5d5 538b3f429b6e53310\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ελεονόρας Τσόμη \n με θέμα\n Υλοποίηση του OmniSketc h στο  Apache Flink  \n Implementati on of OmniSketch in Apache Flink\n Ε ξεταστική Επιτροπή\n Καθηγητής Αντών ιος Δεληγιαννάκης (επιβλέπων)\n Καθη γητής Μίνως Γαροφαλάκης\n Αναπληρωτή ς Καθηγητής Βασίλειος Σαμολαδάς \n Π ερίληψη\n Είναι γνωστό ότι ο όγκος τ ων δεδομένων που παράγονται καθημερι νά από οποιαδήποτε εφαρμογή αυξάνετα ι ραγδαία, με αποτέλεσμα να δημιουργ είται άμεση ζήτηση για πλαίσια επεξε ργασίας ροών σε πραγματικό χρόνο. Η παρούσα εργασία διερευνά την ενσωμάτ ωση του OmniSketch στο Apache Flink, με σκοπό την αξιοποίηση του δυναμικ ού του για την παράλληλη επεξεργασία σε κατανεμημένα συστήματα. Ο πρωταρ χικός στόχος είναι η επίτευξη βαθμού παραλληλισμού μέσω της ενσωμάτωσης του OmniSketch στο Synopsis Data Eng ine (SDE). Η διαδικασία ενσωμάτωσης αξιοποίησε τις δυνατότητες κατανεμημ ένης επεξεργασίας του Flink για την αποτελεσματική διαχείριση ροών δεδομ ένων μεγάλης κλίμακας. Επιπλέον, πρα γματοποιήθηκαν τροποποιήσεις, από τη ν πλευρά μας, στον αλγόριθμο του Omn iSketch προκειμένου να καταστεί δυνα τή η λειτουργία του παράλληλο επίπεδ ο, ενισχύοντας τόσο την αποτελεσματι κότητα της σύνοψης όσο και της εκτέλ εσης της.\n Abstract \n It is known that the amount of data generated ev ery day by any application is rapidl y growing, resulting in an immediate demand for real-time stream process ing frameworks. This work explores t he integration of OmniSketch within Apache Flink to leverage its potenti al for parallel processing\n in dist ributed systems. The primary objecti ve is to achieve a degree of paralle lism greater than one by embedding O mniSketch into the Synopsis Data Eng ine (SDE) framework. The integration process utilized Flink’s distribute d processing capabilities to efficie ntly handle large-scale data streams . Additionally, modifications, from our part, to the OmniSketch algorith m were made to enable its operation\ n in parallel, enhancing both summar ization and execution efficiency.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260616T110000 DTEND:20260616T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260610T113144Z LAST-MODIFIED:20260610T113144Z DTSTAMP:20260612T231000Z UID:1781295000_8454@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Ιωάννας Μαρίνου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8454&cHash=1eafcb9f658e391 8c0af6f58a5b1a6a3\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ιωάννας Μαρίνου \n με θέμα\n Χρήση Μεγάλων Γλωσσικών Μοντέλων για Ανάπτυξη Γεννήτριας Συ νόλων Δεδομένων για Οικοσυστήματα Έξ υπνων Δικτύων με Ηλεκτρικά Οχήματα\n An LLM-Based Dataset Generator for Smart Grid Ecosystems Populated with Electric Vehicles\n Εξεταστική Επιτ ροπή\n Καθηγητής Γεώργιος Χαλκιαδάκη ς (επιβλέπων)\n Αναπληρωτής Καθηγητή ς Βασίλειος Σαμολαδάς\n Καθηγητής Φώ τιος Κανέλλος (ΠΚ, Σχολή ΜΠΔ)\n Περί ληψη\n Τα ρεαλιστικά σύνολα δεδομένω ν διαδρομών και φόρτισης ηλεκτρικών οχημάτων (EV) είναι απαραίτητα για τ ον σχεδιασμό ευφυών δικτύων ενέργεια ς, ωστόσο τα πραγματικά δεδομένα παρ αμένουν δυσεύρετα, εξαρτόμενα από τη ν τοποθεσία και δύσκολα γενικεύσιμα. Στην παρούσα εργασία, παρουσιάζουμε ένα πολυπρακτορικό σύστημα που αξιο ποιεί Μεγάλα Γλωσσικά Μοντέλα (LLMs) για τη δημιουργία συνθετικών συνόλω ν δεδομένων EV χρησιμοποιώντας τις ε λάχιστες δυνατές πληροφορίες ως είσο δο και χωρίς πρόσβαση σε πραγματικά δεδομένα για εκπαίδευση. Το πλαίσιο αποτελείται από τέσσερις εξειδικευμέ νους πράκτορες οργανωμένους σε μια σ ειριακή δομή επεξεργασίας: έρευνα σε ναρίου μέσω αναζήτησης στο διαδίκτυο , σχεδιασμό αρχετύπων συμπεριφοράς, κατανομή πληθυσμού και σταδιακή παρα γωγή γεγονότων. Κάθε στάδιο είναι συ νδεδεμένο με έναν ντετερμινιστικό βρ όχο επικύρωσης και ανατροφοδότησης. Αξιολογούμε το πλαίσιο σε τρία γεωγρ αφικά πλαίσια και με τρία διαφορετικ ά LLMs χρησιμοποιώντας συσχετίσεις S pearman, Ολική Απόσταση Μεταβολής (T VD) και απόσταση Manhattan, διαπιστώ νοντας ότι και οι τέσσερις συσχετίσε ις Spearman είναι θετικές και στατισ τικά σημαντικές (ρ ∈ [0.572, 0.835], p < 0.01) και ότι τα παραγόμενα δεδομένα επιτυγχάνουν 75% κατανεμητι κή επικάλυψη με πραγματικές παρατηρή σεις (TVD 0.249). Σε 38 πειράματα εν τοπίζουμε κατανεμητικές αποκλίσεις κ αι θεμελιώνουμε ένα κεντρικό συμπέρα σμα: οι προτροπές και ο σχεδιασμός α ρχετύπων διέπουν αποτελεσματικά τον χρονισμό των διαδρομών, υστερούν όμω ς ως προς την κατανομή του αριθμού τ ους και αποτυγχάνουν σε μεγάλο βαθμό να ελέγξουν τις κατανομές φόρτισης, τόσο ως προς τον χρονισμό όσο και ω ς προς τη συχνότητα. Καταλήγουμε ότι η παραγωγή μέσω LLM συμπληρώνει τις στατιστικές μεθόδους, αλλά δεν τις αντικαθιστά, προσφέροντας προσαρμοστ ικότητα σε περιπτώσεις όπου δεν υπάρ χουν διαθέσιμα πραγματικά δεδομένα.\ n Abstract \n Realistic electric veh icle (EV) trip and charging datasets are essential for smart grid planni ng, yet real-world data remains scar ce, location-specific, and difficult to generalise. In this work, we pre sent a multiagent framework that emp loys Large Language Models (LLMs) to generate synthetic EV datasets from minimal input, without access to gr ound-truth training data. The framew ork consists of four specialised age nts arranged in a staged pipeline - scenario research via web search, be havioural archetype design, populati on distribution assignment, and incr emental event generation - each coup led with a deterministic validation feedback loop. We evaluate our frame work across three geographic context s and three LLMs using Spearman rank correlations, Total Variation Dista nce (TVD), and Manhattan distance, f inding that all four Spearman correl ations are positive and statisticall y significant (ρ ∈ [0.572, 0.835], p < 0.01) and that the generated d ata achieves 75% distributional over lap with real-world observations (TV D 0.249). In 38 experiments we ident ify distributional biases that resis t prompt engineering, and establish a central finding: prompts and arche type design together effectively gov ern trip timing, but fall short for trip-count distribution and largely fail to control charging distributio ns, both timing and frequency. We co nclude that LLM-based generation com plements, rather than replaces, stat istical methods, offering scenario a daptability where ground-truth data is unavailable.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260625T140000 DTEND:20260625T150000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260610T101548Z LAST-MODIFIED:20260610T101548Z DTSTAMP:20260612T231000Z UID:1781295000_8452@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Αθανασίου Μπούτα - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8452&cHash=264211e7a38f94e 9fd5c5fbd0fb6abbd\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Αθανασίου Μπούτ α\n με θέμα\n ETL σε Ροές Δεδομένων χρησιμοποιώντας το Apache Flink\n St reaming ETL using Apache Flink\n Εξε ταστική Επιτροπή\n Καθηγητής Αντώνιο ς Δεληγιαννάκης (επιβλέπων)\n Καθηγη τής Μίνως Γαροφαλάκης\n Επίκουρος Κα θηγητής Νικόλαος Γιατράκος\n Περίληψ η\n Η παρούσα διπλωματική εργασία πα ρουσιάζει την ανάπτυξη ενός συστήματ ος ETL για την επεξεργασία και αποθή κευση δεδομένων που προέρχονται από ένα δίκτυο αισθητήρων, σε πραγματικό χρόνο. Στο σύστημα που αναπτύχθηκε οι χρήστες μπορούν να αποστείλουν ερ ωτήματα(Queries)  σε μορφή Json αρχε ίου ως προς την εισερχόμενη ροή. H α νάπτυξη έγινε με την χρήση της καταν εμημένης μηχανής Flink. Τα ερωτήματα κατατίθενται μέσω ενός REST API που αναπτύχθηκε σχετικά, ενώ υποστηρίζο νται μετασχηματισμοί συνάθροισης αλλ ά και μετασχηματισμοί σε single elem ents. Το σύστημα μας προσφέρει την δ υνατότητα πολλαπλών υποβολών αρχείων χωρίς να χρειάζεται να επανεκκινήσε ι το job. Η αξιολόγηση του συστήματο ς μας  πραγματοποιήθηκε στον SoftNet Cluster του Πολυτεχνείου Κρήτης. Εκ εί μελετήθηκε σε batch προσέγγιση, η επίδραση των επιπέδων παραλληλισμού του Flink, η επίδρασή του πλήθους τ ων δεδομένων εισόδου αλλά και του αρ ιθμού των αρχείων που υποβάλλονται α πό τους χρήστες.  Τα αποτελέσματα επ ιβεβαιώνουν ότι η επεξεργασία παραμέ νει σταθερή ανά εγγραφή ανεξαρτήτως του όγκου των δεδομένων, ενώ ο χρόνο ς επεξεργασίας μειώνεται με την αύξη ση των επιπέδων του παραλληλισμού.\n Abstract \n This thesis presents th e development of an ETL system for t he real-time processing and storage of data originating from a sensor ne twork. The developed system enables users to submit queries in the form of JSON files over the incoming data stream. The implementation was carr ied out using the distributed proces sing engine Apache Flink. Queries ar e submitted through a dedicated REST API, while the system supports both aggregation transformations and sin gle-element transformations. Further more, the system provides the capabi lity of handling multiple query file submissions without requiring a job restart. The evaluation of the syst em was conducted on the SoftNet Clus ter of the Technical University of C rete. Using a batch-processing appro ach, we investigated the impact of F link's parallelism levels, the volum e of input data, and the number of q uery files submitted by users. The r esults confirm that the processing c ost per record remains stable regard less of data volume, while the overa ll processing time decreases as the level of parallelism increases.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260618T160000 DTEND:20260618T170000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260609T095756Z LAST-MODIFIED:20260609T095756Z DTSTAMP:20260612T231000Z UID:1781295000_8450@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Ιωάννη Εμμανουηλίδη - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8450&cHash=cdf3e303f89f7e3 c8edceb4aeb08ff12\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ιωάννη Εμμανουη λίδη \n με θέμα\n Υλοποίηση ενός Ακρ ιβούς, Αντιστρέψιμου και Συγχωνεύσιμ ου Σκίτσου για την Ανίχνευση Υπερ-δι αμοιραστών στο Apache Flink \n Imple mentation of an Accurate, Invertible , and Mergeable Sketch for Online Su per Spreader Detection on Apache Fli nk\n Εξεταστική Επιτροπή\n Καθηγητής Αντώνιος Δεληγιαννάκης (επιβλέπων)\ n Καθηγητής Μίνως Γαροφαλάκης\n Αναπ ληρωτής Καθηγητής Βασίλειος Σαμολαδά ς\n Περίληψη\n Η συνεχής επέκταση τω ν περιβαλλόντων ροών δεδομένων απαιτ εί τεχνικές επεξεργασίας οι οποίες ε ίναι αυστηρά οριοθετημένες τόσο σε χ ώρο όσο και σε χρόνο. Για την ικανοπ οίηση αυτών των περιορισμών, οι πιθα νοτικές συνόψεις (σκίτσα) χρησιμοποι ούνται ευρέως για να συνοψίσουν ογκώ δεις ροές δεδομένων και να προσεγγίσ ουν αποτελέσματα ερωτημάτων χρησιμοπ οιώντας εξαιρετικά περιορισμένη μνήμ η. Η παρούσα διπλωματική αναλύει την υλοποίηση του RGS-Sketch, μιας εξει δικευμένης δομής για την online ανίχ νευση Υπερ-διαμοιραστών, καθώς και τ ην ενσωμάτωσή της στο Apache Flink. Το RGS-Sketch εντοπίζει ροές υψηλής πληθικότητας μέσω ενός μηχανισμού Re gister Group Sharing, επιτυγχάνοντας ταυτόχρονα εξαιρετική αποδοτικότητα μνήμης και ταχύτητα. Για τη μεγιστο ποίηση του ρυθμού διεκπεραίωσης κατά την παρακολούθηση της πληθικότητας σε πραγματικό χρόνο, ο αλγόριθμος υπ οστηρίζει την κλιμάκωση σε κατανεμημ ένα συστήματα μέσω της δομικής του σ υγχωνευσιμότητας, η οποία επιτρέπει την άμεση ένωση των κατανεμημένων κα ταστάσεων. Αυτό επιτρέπει στο σύστημ α να εξάγει συλλογικά ακριβείς εκτιμ ήσεις πληθικότητας και να ανιχνεύει Υπερ-διαμοιραστές σε ανεξάρτητα σημε ία μέτρησης.\n  \n Abstract \n The c ontinuous expansion of data stream e nvironments requires processing tech niques that are strictly bounded in both space and time. To meet these c onstraints, probabilistic synopses ( sketches) are widely used to summari ze massive data streams and approxim ate query results using highly restr icted memory. This thesis details th e implementation of the RGS-Sketch, a specialized structure for online S uper Spreader detection, and its int egration into Apache Flink. The RGS- Sketch identifies high-cardinality f lows through a Register Group Sharin g mechanism, concurrently achieving exceptional memory efficiency and sp eed. To maximize throughput during r eal time cardinality tracking, the a lgorithm supports scaling across dis tributed systems through its structu ral mergeability, which enables the direct fusion of distributed states. This allows the system to collectiv ely derive accurate cardinality esti mations and detect Super Spreaders a cross independent measurement points .\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260618T150000 DTEND:20260618T160000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260608T102235Z LAST-MODIFIED:20260608T102235Z DTSTAMP:20260612T231000Z UID:1781295000_8449@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Χρήστου Κωσταδήμα - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8449&cHash=590935d984af667 801ed61eab1314efc\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Χρήστου Κωσταδή μα\n με θέμα\n Βαθιά Μάθηση για Αυτο ματοποιημένη Ποσοτικοποίηση Νευρωνικ ής Μορφολογίας και Υγείας σε Εικόνες Μικροσκοπίας\n Deep Learning for Au tomated Quantification of Neuronal M orphology and Health in Microscopy I mages\n Εξεταστική Επιτροπή\n Καθηγη τής Μιχαήλ Ζερβάκης (Επιβλέπων) \n Α ναπληρωτής Καθηγητής Ευάγγελος Καλογ εράκης \n Δρ. Νικόλαος-Κοσμάς Χλης\n Περίληψη\n Η βιοϊατρική έρευνα στις μέρες μας έχει σημειώσει σημαντική πρόοδο χάρη στη χρήση διαφοροποιημέν ων  βλαστοκυττάρων (human induced pl uripotent stem cells), τα οποία αποτ ελούν μια ανανεώσιμη και γενετικά πρ οσαρμόσιμη πηγή εξειδικευμένων κυττα ρικών συστημάτων. Ωστόσο, η διαδικασ ία διαφοροποίησης είναι εξαιρετικά χ ρονοβόρα και επιρρεπής σε μορφολογικ ή μεταβλητότητα. Τα βλαστοκύτταρα εν δέχεται να διαφοροποιηθούν σε τρεις κατηγορίες: υγιή νευρωνικά δίκτυα, δ ίκτυα με αυξημένο κυτταρικό θάνατο ή δίκτυα που εμφανίζουν σχηματισμό κυ τταρικών συσσωματωμάτων (clusters). Μεταξύ αυτών των μορφολογικών αποτελ εσμάτων, μόνο ο σχηματισμός υγιών νε υρωνικών δικτύων πληροί τα πρότυπα π ου απαιτούνται για τα πειράματα που αποσκοπούν στην ανάπτυξη φαρμάκων. Ο ποιοτικός έλεγχος για τη διασφάλιση της ποιότητας των δειγμάτων βασίζετ αι επί του παρόντος στη χειροκίνητη επιθεώρηση εικόνων μικροσκοπίας, ενδ εχομένως με την πρόσθετη χρήση fluor escent labeling (staining). Ωστόσο, αυτές οι χειροκίνητες μεθοδολογίες π αρουσιάζουν περιορισμούς, καθώς είνα ι εγγενώς χρονοβόρες και επιρρεπείς σε ανθρώπινα σφάλματα. Τεχνικές όπως το fluorescent labeling αυξάνουν ση μαντικά την πολυπλοκότητα και  τον χ ρόνο προετοιμασίας της πειραματικής διαδικασίας, ενώ παράλληλα ενέχουν κ ινδύνους τοξικότητας για τα ζωντανά κύτταρα, θέτοντας σε κίνδυνο την ακε ραιότητα του δείγματος. Συγκεκριμένα , η προτεινόμενη ροή εργασίας χρησιμ οποιεί ένα βελτιστοποιημένο συνελικτ ικό νευρωνικό δίκτυο τύπου U-net για την ακριβή κατάτμηση εικόνας (image segmentation) των διαφοροποιημένων κυττάρων. Αντί για μια τυποποιημένη αρχιτεκτονική, το μοντέλο αναπτύχθηκ ε κατόπιν διεξοδικών δοκιμών διαφορε τικών συναρτήσεων απώλειας (loss fun ctions) και μεγεθών δικτύου, ώστε να επιτυγχάνεται η βέλτιστη κατάτμηση τόσο μεμονωμένων νευρώνων όσο και κυ τταρικών συσσωματωμάτων. Μετά την κα τάτμηση των εικόνων, εξάγεται ο συνο λικός αριθμός των pixels που αντιστο ιχούν σε νευρώνες και ο αριθμός των pixels που αντιστοιχούν σε συσσωματώ ματα. Αυτά τα δεδομένα, σε συνδυασμό με χαρακτηριστικά που εξάγονται από το ιστόγραμμα των εικόνων γκρίζας κ λίμακας (grayscale images), τροφοδοτ ούν έναν ταξινομητή Random Forest. ΄ Ετσι, το μοντέλο αποφασίζει εάν η αν τίστοιχη εικόνα απεικονίζει ένα well με υγιείς νευρώνες, συσσωματώματα ( clusters) ή υπολείμματα από νεκρά κύ τταρα (dead cells). Η μεθοδολογία αυ τή εφαρμόζεται well-by-well, παρέχον τας μια ολοκληρωμένη ποιοτική αξιολό γηση της πειραματικής διάταξης. Με α υτόν τον τρόπο, το μοντέλο ταξινομεί κάθε μεμονωμένη εικόνα μικροσκοπίας (η οποία έχει ληφθεί από ένα συγκεκ ριμένο well) σε μία από τις τρεις κα τηγορίες: υγιείς νευρώνες, συσσωματώ ματα (clusters) ή υπολείμματα νεκρών κυττάρων. Διαχωρίζοντας με ακρίβεια τις εικόνες υγιών νευρώνων, το εργα λείο παρέχει τα απαραίτητα δεδομένα για τη μεταγενέστερη λήψη αποφάσεων σε επίπεδο well, συμβάλλοντας έτσι σ ε μια ολοκληρωμένη ποιοτική αξιολόγη ση της πειραματικής διάταξης και δια σφαλίζοντας ότι μόνο τα wells που πα ρουσιάζουν υγιή νευρωνικά δίκτυα προ κρίνονται για περαιτέρω βιολογικές δ οκιμές. Για την επιλογή του βέλτιστο υ μοντέλου κατάτμησης (segmentation) , πραγματοποιήθηκε εκτενής αξιολόγησ η 192 διαφορετικών παραμετροποιήσεων . Η κορυφαία διαμόρφωση του βελτιστο ποιημένου μοντέλου U-Net πέτυχε συνο λική μέση ακρίβεια εικονοστοιχείων ( mean pixel accuracy) 97,78%. Η μέση ακρίβεια του προσκηνίου (foreground accuracy) η οποία λαμβάνει υπόψη μόν ο τους νευρώνες και τα συσσωματώματα , υπολογίστηκε στο 82,95%, ενώ η διά μεση τιμή (median) του Dice Score δι αμορφώθηκε στο 0,95 για τα συσσωματώ ματα (clusters) και στο 0,70 για του ς μεμονωμένους νευρώνες. Επιπλέον, τ ο ενσωματωμένο μοντέλο απόφασης Rand om Forest επέδειξε εξαιρετική αξιοπι στία στην ταξινόμηση των δειγμάτων, επιτυγχάνοντας F1-score 0,97 σε νέα δεδομένα δοκιμής (unseen test data). Τα αποτελέσματα αυτά υποδεικνύουν ό τι το αυτοματοποιημένο σύστημα μπορε ί να αντικαταστήσει αποτελεσματικά τ η χειροκίνητη επιθεώρηση, παρέχοντας μια στιβαρή λύση υψηλής απόδοσης γι α τον ποιοτικό έλεγχο στις διαδικασί ες σχεδιασμού φαρμάκων, διασφαλίζοντ ας την ακεραιότητα βιολογικών δοκιμώ ν.\n Abstract \n Biomedical research nowadays has advanced considerably thanks to the use of differentiated human induced pluripotent stem cells , which offer renewable, genetically customizable source of specialized cellular systems. However, the diffe rentiation process is significantly time consuming and prone to morpholo gical variability. Stem cells in eac h well differentiate into three cate gories: healthy neuronal networks, i ncreased cell death and clustered ce ll formations. Among these morpholog ical outcomes, only the formation of healthy, intricate neuronal net wor ks meets the standards required for drug discovery assays. To ensure the required purity, quality control cu rrently relies on manual inspection of microscopy images, potentially in addition to fluorescent labeling (s taining). Nonetheless, these manual methodologies come with limitations: they are inherently time-consuming and susceptible to human error. Also , techniques such as fluorescent lab eling add significant complexity and time to the experimental setup, whi le potentially presenting toxicity r isks to living cells that jeopardize sample integrity. To overcome these limitations, this thesis proposes a n automated, label-free quality cont rol pipeline. The work focuses on th e post-differentiation stage to asse ss if stem cells have successfully d ifferentiated into neurons in each w ell. By analyzing images without the need for staining, our AI-driven ap proach provides a faster and highly reliable evaluation of the culture’s quality for downstream assays. Spec ifically, the proposed workflow empl oys a customized U-Net architecture optimized for the precise segmentati on of differentiated cells. To ensur e high performance on complex cellul ar morphologies, several model depth s and loss functions were evaluated, ultimately arriving at a configurat ion tailored to segment both individ ual neurons and dense clusters with high fidelity. After segmenting the images, the numbers of total pixels that correspond to neurons and the n umber of pixels that correspond to c lusters are extracted. These spatial features are combined with intensit y features extracted from the histog ram of the microscopy images and are fed to a Random Forest classifier. In this way, the model classifies ea ch individual microscopy image (acqu ired from a specific well) into one of three categories: healthy neurons , clusters, or dead cell debris. By accurately identifying and separatin g images of healthy neurons from tho se containing dead cells or clusters , the tool provides the essential da ta required for informed subsequent well-level decision-making, thereby contributing to a comprehensive qual ity assessment of the experimental s etup and ensuring that only wells co ntaining healthy neuronal networks a re promoted to downstream assays. To select the optimal segmentation mod el, we extensively benchmarked 192 c onfigurations. The top-performing op timized U-Net achieved an overall me an pixel accuracy of 97.78%. We furt her evaluated its performance on for eground elements (neurons and cluste rs), reaching a mean foreground accu racy of 82.95%. Specifically, the mo del achieved a median Dice Score of 0.95 for clusters and 0.70 for indiv idual neurons. Furthermore, the inte grated Random Forest decision model demonstrated exceptional reliability in culture classification, achievin g an F1-score of 0.97 on unseen test data. These results indicate that t he automated system can effectively replace manual inspection, providing a ro bust, high-throughput solution for quality control in drug discove ry workflows while ensuring the inte grity and reproducibility of biologi cal assays.\n Meeting ID: 954 649 55 67\n Password: 956799\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260610T173000 DTEND:20260610T183000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260606T104745Z LAST-MODIFIED:20260606T104745Z DTSTAMP:20260612T231000Z UID:1781295000_8447@tuc.gr SUMMARY:EURECA-PRO: Διάλεξη του Καθ. Διονυσί ου Χριστόπουλου (TUC) LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 145Π-58, Hybrid Lecture DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8447&cHash=48c65519208da35 b766c21fbb450d645\nΤο Πολυτεχνείο Κρ ήτης, ιδρυτικό μέλος του Ευρωπαϊκού Πανεπιστημίου European University on Responsible Consumption and Product ion (EURECA-PRO), διοργανώνει μια σε ιρά ανοικτών επιστημονικών διαλέξεων  για να διευκολύνει τη συνεργασία με ταξύ φοιτητών και καθηγητών όλων των εταίρων του EURECA-PRO.\n Η επόμενη  διάλεξη της σειράς θα δοθεί από τον δικό μας Καθ. Διονύσιο Χριστόπουλο, Καθηγητή της Σχολής Ηλεκτρολόγων Μη χανικών και Μηχανικών Υπολογιστών (Η ΜΜΥ) του Πολυτεχνείου Κρήτης. Ο Καθ. Χριστόπουλος θα δώσει μια φημισμένη διάλεξη, σε συνέχεια του έγκριτου β ραβείου Georges Matheron Lectureship Award 2024 που έλαβε από τη Διεθνή Ένωση Μαθηματικών Γεωεπιστημών (IAMG ), ως αναγνώριση της εξαιρετικής επι στημονικής του συμβολής στη χωρική σ τατιστική και τη μαθηματική μορφολογ ία.\n Η διάλεξη του Καθ. Χριστόπουλο υ έχει τίτλο:\n "From Particles to P atterns:\n An Odyssey from Physics t o Geostatistics and Beyond"\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260609T163000 DTEND:20260609T173000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260603T125726Z LAST-MODIFIED:20260603T125726Z DTSTAMP:20260612T231000Z UID:1781295000_8439@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Αλεξάνδρας Γκαραγκάνη - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8439&cHash=d6700d431b588bb f791226b0ec884a9c\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n ΓΚΑΡΑΓΚΑΝΗ ΑΛΕΞ ΑΝΔΡΑΣ\n με θέμα\n Βελτιστοποίηση Φι λικών προς το Δίκτυο Συστάσεων με Χρ ήση Ενισχυτικής Μάθησης για Χρήστες με Μνήμη\n Using Reinforcement Learn ing to Optimize Network-friendly Rec ommendations for Users with Memory\n Εξεταστική Επιτροπή\n Καθηγητής Θρα σύβουλος Σπυρόπουλος (επιβλέπων)\n Κ αθηγητής Μιχαήλ Ζερβάκης\n Καθηγητής Μιχαήλ Λαγουδάκης\n Περίληψη\n Η ελ αχιστοποίηση του κόστους μετάδοσης π εριεχομένου από το δίκτυο, διατηρώντ ας παράλληλα την ικανοποίηση του χρή στη αποτελεί πρόκληση για τις σύγχρο νες πλατφόρμες περιεχομένου. Οι υπάρ χουσες υλοποιήσεις Συστημάτων Συστάσ εων Φιλικά προς το Δίκτυο αντιμετωπί ζουν αυτήν την πρόκληση κατευθύνοντα ς τους χρήστες προς αποθηκευμένο, χα μηλού κόστους περιεχόμενο. Είναι γεγ ονός ωστόσο, ότι η συντριπτική πλειο ψηφία τους υποθέτει ένα στατικό μοντ έλο χρήστη, στο οποίο η πιθανότητα α ποδοχής μιας σύστασης παραμένει αμετ άβλητη καθ΄ όλη τη διάρκεια μιας συν εδρίας. Αυτή η απλοποίηση δεν είναι ρεαλιστική, ένας χρήστης που λαμβάνε ι επανειλημμένα συστάσεις χαμηλής πο ιότητας θα χάσει τελικά την εμπιστοσ ύνη του στο σύστημα, πιθανόν αγνοώντ ας τις συστάσεις και καταφεύγοντας σ ε αναζήτηση ακριβού περιεχομένου μέσ ω της μπάρας αναζήτησης. Αυτό λοιπόν το πρόβλημα κληθήκαμε να αντιμετωπί σουμε στην παρούσα διπλωματική εργασ ία, επεκτείνοντας το πλαίσιο των Mar kov Decision Processes (MDP) για Συσ τάσεις Φιλικές προς το Δίκτυο. Μοντε λοποιήσαμε την εμπιστοσύνη του χρήστ η ως μεταβλητή κατάστασης που εξελίσ σεται κατά τη διάρκεια μιας συνεδρία ς με βάση την ποιότητα των συστάσεων εξετάζοντας δύο μοντέλα. Το πρώτο ε ίναι το μοντέλο Σταθερής Εμπιστοσύνη ς, που χρησιμεύει ως βάση σύγκρισης. Το δεύτερο, πρόκειται για ένα απλό μοντέλο Μεταβαλλόμενης Εμπιστοσύνης, στο οποίο η πιθανότητα προσοχής του χρήστη αυξάνεται μετά από συστάσεις υψηλής σχετικότητας και μειώνεται μ ε συστάσεις χαμηλής. Το τελευταίο μο ντέλο εφαρμόζει μια νέα στρατηγική, όπου η βέλτιστη πολιτική συστήνει ακ ριβά αλλά υψηλής σχετικότητας αντικε ίμενα στην αρχή μιας συνεδρίας για ν α χτίσει εμπιστοσύνη, δημιουργώντας έναν χρήστη που δυναμικά αυξάνει την εμπιστοσύνη του στο Σύστημα Συστάσε ων. Για μεγάλους καταλόγους περιεχομ ένου που οι επιλυτές MDP δεν μπορούν να διαχειριστούν υπολογιστικά, προτ είνουμε μια προσέγγιση Q-Learning χω ρίς μοντέλο, που προσεγγίζει τη βέλτ ιστη πολιτική. Επικυρώνουμε την εγκυ ρότητα του μοντέλου μας μέσω προσομο ιώσεων σε συνθετικούς καταλόγους, κα θώς και σε πραγματικούς, στις οποίες εφαρμόζουμε διάφορα σύνολα παραμέτρ ων για να αποτυπώσουμε διαφορετικές συμπεριφορές.\n Abstract \n Minimizi ng the network cost of content deliv ery while maintaining user satisfact ion is a challenge for content platf orms. Existing work on Network-Frien dly Recommendation Systems (NF-RS) a ddress this by moving users toward c ached content, but the majority assu mes a static user model, where the p robability of accepting a recommenda tion remains constant through a sess ion. This is unrealistic because a u ser who repeatedly receives low-qual ity cached recommendations will lose trust in the system and eventually ignore it, resorting to expensive co ntent retrieved from the search bar. In this thesis, we extend the Marko v Decision Process (MDP) framework f or Network-Friendly Recommendations by modeling trust as a variable that evolves during a session based on t he quality of recommendations. We co nsider two models: a Fixed-Trust mod el, our baseline, and an Adaptive-Tr ust model, where the user’s attentio n probability rises after high-utili ty suggestions and falls after poor ones. The latter model introduces th e invest and exploit strategy, where the optimal far-sighted policy reco mmends costly but high-utility items early in a session to build trust, creating a user that is able to incr ease her confidence to our Recommend er System. For large content catalog s the exact MDP solvers could not co mputationally handle, we propose a m odel-free Q-Learning approach that a pproximates the optimal policy. We v alidate our framework through extens ive simulations over synthetic and r eal-world catalog topologies, on whi ch we apply a number of different pa rameter sets to capture different be haviors.\n  \n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260605T123000 DTEND:20260605T133000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260522T084225Z LAST-MODIFIED:20260522T084225Z DTSTAMP:20260612T231000Z UID:1781295000_8429@tuc.gr SUMMARY:Career Day with Alpha Bank: Δεξιότητ ες, Ρόλοι & Προοπτικές στον Τραπεζικ ό Τομέα Σήμερα| Τετάρτη 27 Μαΐου | 1 1:00 – 16:00 |Γ2.1 Αμφιθέατρο LOCATION:Γ2 - Κτίριο Γ2, Γ2.1 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8429&cHash=7c7e963e2c457ea 7227a4d3e9a396e1b\nTo Γραφείο Διασύν δεσης και Σταδιοδρομίας του Πολυτεχν είου Κρήτης σε συνεργασία με το Μετα πτυχιακό Πρόγραμμα Διοίκηση Επιχειρή σεων(MBA), της Σχολής Μηχανικών Παρα γωγής και Διοίκησης,στο πλαίσιο της δράσης #CareerDay@TUC Career Office, διοργανώνει \n Career Day with Alph a Bank: “Δεξιότητες, Ρόλοι & Προ οπτικές στον Τραπεζικό Τομέα Σήμερα” \n Τετάρτη 27 Μαΐου 2026 | 11:00 – 1 6:00 | Γ2.1 Αμφιθέατρο\n Facebook ev ent \n Η εκδήλωση δίνει τη δυνατότητ α στους φοιτητές και τις φοιτήτριες, να γνωρίσουν τα στελέχη της Alpha B ank, να ενημερωθούν για στρατηγικά έ ργα, τον ψηφιακό μετασχηματισμό και τις νέες τεχνολογίες στον τραπεζικό χώρο, καθώς και να ανακαλύψουν επαγγ ελματικές προοπτικές, δεξιότητες καθ ώς και ευκαιρίες εξέλιξης στο σύγχρο νο τραπεζικό κλάδο για νέους και νέε ς μηχανικούς σε τομείς όπως το Proje ct Management, η Τραπεζική Επιχειρήσ εων, τα Analytics και το Digital Ban king.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260527T110000 DTEND:20260527T160000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260520T104844Z LAST-MODIFIED:20260520T104844Z DTSTAMP:20260612T231000Z UID:1781295000_8426@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Κωνσταντίνου Γραμμένου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8426&cHash=3a3ce0a2e505c5c 2dde735c0fd4cd70e\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Κωνσταντίνου Γρ αμμένου \n με θέμα\n Θεωρητική Διερε ύνηση της Υπόθεσης "Κρίσιμου Εγκεφάλ ου" και Κλινικές Εφαρμογές σε Δεδομέ να Ηλεκτροεγκεφαλογραφημάτων (EEG)\n Critical Brain Hypothesis: Theoreti cal Investigations and Applications to Clinical EEG Data\n Εξεταστική Επ ιτροπή\n Καθηγητής Διονύσιος Χριστόπ ουλος (επιβλέπων)\n Καθηγητής Αθανάσ ιος Λιάβας\n Καθηγητής Μιχαήλ Ζερβάκ ης\n Περίληψη\n Η υπόθεση του “κρίσι μου εγκεφάλου” στην σύγχρονη νευροεπ ιστήμη ισχυρίζεται ότι ο εγκέφαλος λ ειτουργεί κοντά σε μία μετάπτωση φάσ ης. Στο κρίσιμο σημείο, κοντά στο όρ ιο ανάμεσα στην πλήρη τάξη και την α ταξία, εμφανίζονται αναδυόμενες ιδιό τητες όπως ταλαντώσεις, συγχρονισμός και βέλτιστη ροή πληροφορίας. Η παρ ούσα δουλειά ερευνά αυτήν την υπόθεσ η. Μοντελοποιούμε την νευρωνική δυνα μική μέσω μίας πολυδιάστατης διαδικα σίας Ornstein–Uhlenbeck, η οποία περ ιλαμβάνει όρους ολίσθησης (αντιστοιχ ώντας στις συνδέσεις ανάμεσα στους ν ευρώνες) και έναν όρο διάχυσης (Γκαο υσιανός λευκός θόρυβος). Διερευνούμε δύο μοντέλα δομής συνδεσιμότητας με ταξύ νευρώνων: το ανεξάρτητο και ισο κατανεμημένο (i.i.d.) Γκαουσιανό μον τέλο και το τμηματικό Γκαουσιανό Ορθ ογώνιο Σύνολο (block GOE). Μελετούμε αυτά τα μοντέλα στο όριο μεγάλου πλ ήθους νευρώνων N, με στόχο να εξετάσ ουμε δύο συμπληρωματικούς και ανεξάρ τητους σκοπούς. Εμπνευσμένο από τα δ ιεγερτικά-κατασταλτικά δίκτυα στην ν ευροεπιστήμη, το τμηματικό Γκαουσιαν ό ορθογώνιο σύνολο μας επιτρέπει την μαθηματική εξερεύνηση των αναδυόμεν ων ιδιοτήτων, όπως ταλαντώσεις και σ υγχρονισμός. Από την άλλη, το ανεξάρ τητο και ισοκατανεμημένο Γκαουσιανό μοντέλο δρα ως ένα γενικό και ευέλικ το μοντέλο, το οποίο είναι ιδανικό γ ια την ανίχνευση των κρίσιμων μοτίβω ν σε εμπειρικά κλινικά δεδομένα. Ο ε γκέφαλος εμφανίζει πλούσια χωροχρονι κή δραστηριότητα, ενώ οι νευρωνικές καταγραφές συχνά συνυπάρχουν με θόρυ βο τύπου 1/f (δηλαδή με φάσμα μειούμ ενο αλγεβρικά ως συνάρτηση της συχνό τητας). Προκειμένου να ανιχνεύσουμε  την εγκεφαλική δραστηριότητα, εργαζ όμαστε στο πεδίο της συχνότητας και παρουσιάζουμε μετρικές οι οποίες βασ ίζονται στον πίνακα φασματικής πυκνό τητας ισχύος. Αυτές οι μετρικές είνα ι η αποτελεσματική διαστατικότητα (E D), η μέση τιμή της φασματικής πυκνό τητα ισχύος ως προς το δίκτυο (NAPS) , και η αποτελεσματική σύζευξη (EC). Η παρούσα εργασία αποτελείται από δ ύο ενότητες. Στο θεωρητικό τμήμα, εν ισχύουμε την ερμηνευσιμότητα του συσ τήματος με  block GOE συνδεσιμότητα. Συγκεκριμένα, παρέχουμε αναλυτική έ κφραση για την NAPS και την ED, οι ο ποίες μας επιτρέπουν να ερευνήσουμε τις ιδιότητες του συστήματος καθώς ο ι παράμετροι του μοντέλου μεταβάλλον ται. Ως τελική επέκταση αυτής της αν άλυσης, υπολογίζουμε κλειστή έκφραση και για την μέση τιμή της συνάρτηση συνδιακύμανσης ως προς το δίκτυο. Π αρά το γεγονός ότι αυτές οι κλειστές εκφράσεις δεν έχουν δοκιμαστεί σε π ραγματικά δεδομένα, ενισχύουν σημαντ ικά την κατανόηση των σύνθετων νευρω νικών συστημάτων. Επιπροσθέτως, ανιχ νεύουμε την αποτελεσματική σύζευξη ( χρησιμοποιώντας την υπόθεση της i.i. d. Γκαουσιανής συνδεσιμότητας) καθώς και την αποτελεσματική διαστατικότη τα, σε EEG δεδομένα τα οποία περιλαμ βάνουν εφήβους τόσο υγιείς όσο και π ροσβεβλημένους με διάσειση. Με αυτόν τον τρόπο, ανιχνεύουμε ενδείξεις κρ ισιμότητας και συγχρονισμένης δραστη ριότητας ανά ομάδα.\n Abstract \n Th e critical brain hypothesis in moder n neuroscience states that the brain operates near a phase transition. A t the critical point, close to the b oundary between total order and chao s, emergent properties such as oscil lations, synchronization, and optima l information flow emerge. This work investigates this theory. We model neural dynamics via a vector Ornstei n–Uhlenbeck process which consists o f a drift (the connection of each ne uron) and a diffusion term (Gaussian white noise). We investigate two mo dels of connectivity structure among neurons: independent and identicall y distributed (i.i.d.) Gaussian and block Gaussian Orthogonal Ensemble ( block GOE). We study these models in the large-N limit to study two comp lementary, independent purposes. Ins pired by excitatory–inhibitory netwo rks in neuroscience, the arrangement of the block GOE structure allows f or the mathematical exploration of e mergent properties such as critical oscillations and coordination. On th e other hand, the model connected wi th i.i.d. Gaussian structure acts as a generic, asymmetric, flexible mod el, suitable for the detection of cr itical patterns in empirical clinica l data. The brain contains rich spat iotemporal activity, while neural re cordings often coexist with 1/f nois e. To capture this activity, we work in the frequency domain and present the following metrics based on the spectral density matrix (SDM). These metrics are the effective dimension ality (ED), the network-averaged pow er spectrum (NAPS), and the effectiv e coupling (EC). Our work consists o f the following two parts. In our th eoretical part, we enhance the expla inability of the system with the blo ck GOE connectivity structure. Speci fically, we derive a closed formula for the NAPS and ED, which allows us to explain the system properties, a s the model parameters vary. As a fi nal extension of the analysis, we de rived the network averaged autocovar iance function. Although these resul ts were not tested on real world dat a, they serve as an enhancement of t he understanding of complex neural s ystems. In addition, we infer the ef fective coupling using the i.i.d. Ga ussian connectivity assumption, and the effective dimensionality in EEG data that consist of both concussed and healthy male adolescents. Hence, we detect signatures of criticality and coordinated activity within eac h group.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260603T100000 DTEND:20260603T110000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260515T143620Z LAST-MODIFIED:20260515T143620Z DTSTAMP:20260612T231001Z UID:1781295000_8425@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Κωνσταντίνου Γούτσια - Σχολή ΗΜΜΥ LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 137Π-39,- 38 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8425&cHash=7f32b35198174df 6a6ddbf5c832824da\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Κωνσταντίνου Γο ύτσια\n με θέμα\n Ανάπτυξη Ελαφριού Πράκτορα Σκακιού για Επιθετικό Παιχν ίδι με χρήση Ενισχυτικής Μάθησης\n D eveloping a Lightweight Chess Agent for Aggressive Play using Reinforcem ent Learning\n Εξεταστική Επιτροπή\n Καθηγητής Θρασύβουλος Σπυρόπουλος ( επιβλέπων)\n Καθηγητής Μιχαήλ Λαγουδ άκης \n Καθηγητής Βασίλειος Σαμολαδά ς\n Περίληψη\n Η τεχνητή νοημοσύνη σ το σκάκι έχει εμφανίσει σημαντική πρ όοδο τα τελευταία χρόνια, καθώς νέες προσεγγίσεις συνεχίζουν να ξεπερνού ν τις προηγούμενες. Ενώ οι μηχανές π ου βασίζονται σε ευρετικές μεθόδους κυριαρχούσαν στον τομέα για πολλά χρ όνια, μέθοδοι ενισχυτικής μάθησης (Ε Μ), όπως το AlphaZero, έχουν πρόσφατ α αναδειχθεί ως ιδιαίτερα ισχυρές κα ι αξιόπιστες εναλλακτικές προσεγγίσε ις. Σε αυτό το πλαίσιο, η παρούσα δι πλωματική εργασία παρουσιάζει έναν π ράκτορα ενισχυτικής μάθησης εμπνευσμ ένο από το AlphaZero, ο οποίος μαθαί νει να παίζει σκάκι κυρίως μέσω αυτο παιξίματος (self-play), βασιζόμενος σε ελάχιστα δεδομένα που προέρχονται από ανθρώπινες παρτίδες. Λόγω της υ ψηλής πολυπλοκότητας του παιχνιδιού, οι προσεγγίσεις που βασίζονται στην ενισχυτική μάθηση απαιτούν συνήθως σημαντικούς υπολογιστικούς πόρους. Σ την εργασία αυτή, αρχικά αναπτύσσετα ι μια βασική υλοποίηση ενός πλαισίου αυτοπαιξίματος βασισμένου στη μέθοδ ο Monte Carlo Tree Search και αποδει κνύεται ότι ακόμη και με περιορισμέν η υπολογιστική ισχύ είναι δυνατό να αναπαραχθεί η θεμελιώδης αρχή αυτοβε λτίωσης που χαρακτηρίζει το AlphaZer o. Στο δεύτερο μέρος της εργασίας πα ρουσιάζεται μια σειρά από βελτιστοπο ιήσεις σε διαφορετικά επίπεδα του συ στήματος. Οι βελτιστοποιήσεις αυτές έχουν δύο κύριους στόχους: την επιτά χυνση της παραγωγής δεδομένων και τη βελτίωση της ποιότητάς τους, ώστε ν α απαιτείται συνολικά μικρότερος όγκ ος δεδομένων για την εκπαίδευση. Μέσ ω της βελτίωσης τόσο της υπολογιστικ ής αποδοτικότητας όσο και της αποτελ εσματικότητας της διαδικασίας εκπαίδ ευσης, οι προτεινόμενες τροποποιήσει ς μειώνουν το συνολικό υπολογιστικό κόστος της μάθησης. Τα πειραματικά α ποτελέσματα δείχνουν ότι οι βελτιώσε ις αυτές επιτρέπουν στο σύστημα να ε κτελείται έως και 20 φορές ταχύτερα στο υλικό σύστημα που χρησιμοποιήθηκ ε για τα πειράματα.\n Τέλος, διερευν ώνται μέθοδοι για την κατεύθυνση του πράκτορα προς ένα πιο επιθετικό στυ λ παιχνιδιού. Συνδυάζοντας ευρετικές τεχνικές με μεθόδους διαμόρφωσης τη ς συνάρτησης ανταμοιβής (reward shap ing), η διαδικασία εκπαίδευσης ενθαρ ρύνει επιθετικές και δυναμικές στρατ ηγικές παιχνιδιού. Τα πειραματικά απ οτελέσματα δείχνουν ότι ο πράκτορας υιοθετεί σταδιακά ένα πιο επιθετικό στυλ καθώς προχωρά η εκπαίδευση, απο δεικνύοντας ότι η συμπεριφορά και το στυλ παιχνιδιού σε πράκτορες σκακιο ύ που βασίζονται σε ενισχυτική μάθησ η μπορούν να επηρεαστούν αποτελεσματ ικά μέσω στοχευμένων τροποποιήσεων σ το πλαίσιο μάθησης.\n Abstract \n Ch ess artificial intelligence has adva nced significantly in recent years, with new approaches continuously sur passing previous ones. While heurist ic-based engines dominated the field for many years, reinforcement learn ing (RL) methods such as AlphaZero h ave recently emerged as powerful and reliable alternatives. Against this background, this thesis presents an AlphaZero-inspired reinforcement le arning agent that learns to play che ss primarily through self-play, rely ing on minimal human-generated data. Due to the complexity of chess, RL- based approaches typically require s ubstantial computational resources. In this work, we first establish a b aseline implementation of a Monte Ca rlo Tree Search-based self-play fram ework and demonstrate that, even wit h limited computational power, it is possible to reproduce the fundament al self-improvement principle underl ying AlphaZero. The second part of t his work focuses on a series of opti mizations at different levels of the system. These optimizations pursue two main objectives: accelerating th e generation of data and improving i ts quality so that less data is requ ired overall. By improving computati onal efficiency and training effecti veness, the proposed modifications r educe the overall computational cost of the training process. Experiment al results show that these improveme nts allow the system to run up to 20 times faster on the hardware config uration used in this study. Finally, we investigate methods for biasing the agent toward a more aggressive p laying style. By combining heuristic guidance with reward shaping techni ques, the training process encourage s attacking and dynamic gameplay. Th e experimental results indicate that the agent progressively adopts a mo re aggressive strategy during traini ng, demonstrating that stylistic beh avior in RL-based chess agents can b e effectively influenced through tar geted modifications to the learning framework.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260519T110000 DTEND:20260519T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260515T122510Z LAST-MODIFIED:20260515T122510Z DTSTAMP:20260612T231001Z UID:1781295000_8424@tuc.gr SUMMARY:Παρουσίαση Μεταπτυχιακής Εργασίας κ. Παναγιώτη Σκλάβου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8424&cHash=496dc8073afd21b 3f777954352b6c1bc\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Μ εταπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΜΕ ΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ\n του Παναγιώτη Σκλάβου\n με θέμα\n Προσαρμοστικά Ν ευρωνικά Πεδία Ακτινοβολίας για Σταδ ιακή Ανακατασκευή Σκηνών Μεγάλης Κλί μακας\n Adaptive Neural Radiance Fie lds for Incremental Reconstruction o f Large-Scale Scenes\n Εξεταστική Επ ιτροπή\n Καθηγητής Αντώνιος Δεληγιαν νάκης (επιβλέπων)\n Αναπληρωτής Καθη γητής Βασίλειος Σαμολαδάς\n Επίκουρο ς Καθηγητής Νικόλαος Γιατράκος\n Περ ίληψη\n Οι εξελίξεις στις τεχνολογίε ς αεροφωτογράφησης, και ιδίως η ευρε ία χρήση των drones, έχουν καταστήσε ι δυνατή τη συλλογή οπτικών δεδομένω ν σε μεγάλες και συχνά απρόσιτες περ ιοχές, υποστηρίζοντας την επίγνωση τ ης κατάστασης κατά τη διάρκεια εκτάκ των περιστατικών, όπως δασικές πυρκα γιές, πλημμύρες και σεισμοί. Αυτές ο ι εικόνες παρέχουν πολύτιμες πληροφο ρίες για την πληγείσα περιοχή, αλλά στερούνται γεωμετρικού βάθους και δο μής, δημιουργώντας την ανάγκη για τα χέως εξελισσόμενες τρισδιάστατες ανα παραστάσεις. Τα Νευρωνικά Πεδία Ακτι νοβολίας (NeRFs) έχουν αναδειχθεί ως ένα αναπόσπαστο εργαλείο για τη φωτ ορεαλιστική ανακατασκευή 3D σκηνών α πό πολυπροοπτικές εικόνες. Ωστόσο, ο ι συμβατικές προσεγγίσεις NeRF παραμ ένουν στατικές και πλήττονται από κα ταστροφική λήθη καθώς φτάνουν νέες π αρατηρήσεις, περιορίζοντας την αποτε λεσματικότητά τους σε δυναμικά περιβ άλλοντα. Για να αντιμετωπίσουμε αυτό ν τον περιορισμό, παρουσιάζουμε ένα προσαρμοστικό πλαίσιο NeRF, το οποίο ενσωματώνει χωρική διαμέριση για κλ ιμάκωση σε περιοχές σε κλίμακα πόλης , Άμεσα Νευρωνικά Γραφικά Στοιχεία ( Instant-NGP) για αποτελεσματική βελτ ιστοποίηση, μέτα-μάθηση για ισχυρές περιφερειακές αρχικοποιήσεις και μηχ ανισμούς συνεχούς μάθησης για σταδια κές ενημερώσεις, με παράλληλο μετρια σμό της λήθης. Το σύστημα λειτουργεί σε δύο στάδια: ένα offline στάδιο τ ο οποίο μετα-μαθαίνει μια αρχικοποίη ση που καταγράφει τα γενικά περιφερε ιακά χαρακτηριστικά μιας ευρείας περ ιοχής ενδιαφέροντος, και ένα online στάδιο που επεξεργάζεται εικόνες από την επηρεαζόμενη περιοχή για να ενσ ωματώνει σταδιακά ενημερώσεις σχετικ ές με την κατάσταση έκτακτης ανάγκης . Πειραματική αξιολόγηση σε σύνολα δ εδομένων που έχουν καταγραφεί από dr ones δείχνει ταχεία προσαρμογή σε νέ ες παρατηρήσεις με υψηλή ποιότητα αν ακατασκευής και ανθεκτικότητα στην κ αταστροφική λήθη.\n     \n Abstract\ n Advances in aerial imaging technol ogies, such as drones, have enabled visual data collection over large an d often inaccessible areas, supporti ng situational awareness during emer gencies such as wildfires, floods, a nd earthquakes. These images provide valuable information about the affe cted region, yet they lack geometric depth and structure, introducing th e need for rapidly evolving 3D repre sentations. Neural Radiance Fields ( NeRFs) have emerged as an indispensa ble tool for photorealistic 3D scene reconstruction from multi-view imag ery. However, conventional NeRF pipe lines remain static and struggle wit h catastrophic forgetting as new obs ervations arrive, limiting their eff ectiveness in dynamic environments. To address this limitation, we prese nt an adaptive NeRF framework that i ncorporates spatial modularization t o scale to city-scale scenes, Instan t Neural Graphics Primitives (Instan t-NGP) for efficient optimization, m eta-learning for strong regional ini tializations, and continual-learning mechanisms for incremental updates while mitigating forgetting. The sys tem operates in two stages: an offli ne stage that meta-learns an initial ization capturing the coarse regiona l characteristics of a wide area of interest, and an online stage that p rocesses views from the affected are a to incrementally incorporate emerg ency-related updates. Experimental e valuation on drone-captured datasets demonstrates rapid adaptation to ne w observations with high reconstruct ion quality and robustness to catast rophic forgetting.\n Meeting ID: 922 5996 1268\n Password: 221573\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260520T110000 DTEND:20260520T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260513T141221Z LAST-MODIFIED:20260513T141221Z DTSTAMP:20260612T231001Z UID:1781295000_8419@tuc.gr SUMMARY:Παρουσίαση Διδακτορικής Διατριβής κα ς Δήμητρας Κυριάκου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8419&cHash=27496043c7e6412 34c5e4ea313a1245d\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Δ ιδακτορικών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΔ ΑΚΤΟΡΙΚΗΣ ΔΙΑΤΡΙΒΗΣ\n Δήμητρας Κυριά κου\n με θέμα\n Συμβολή στην Ανάπτυξ η Προηγμένων Μεθόδων Διαχείρισης Ενέ ργειας και Ελέγχου Μικροδικτύων\n Co ntribution to the Development of Adv anced Energy Management and Control Methods for Microgrids\n Εξεταστική Επιτροπή\n Ομότιμος Καθηγητής Κωνστα ντίνος Καλαϊτζάκης (επιβλέπων)\n Καθ ηγητής Ευτύχιος Κουτρούλης\n Αναπληρ ωτής Καθηγητής Γεώργιος Τσεκούρας (Π ΑΔΑ, Τμήμα Η. & Η.Μ.)\n Καθηγητή ς Μιχαήλ Ζερβάκης\n Καθηγητής Βασίλη ς Κουϊκόγλου (ΠΚ, Σχολή ΜΠΔ)\n Αναπλ ηρωτής Καθηγητής Δημήτριος Ιψάκης (Π Κ, Σχολή ΜΠΔ)\n Καθηγητής Παύλος Γεω ργιλάκης (ΕΜΠ, Σχολή ΗΜΜΥ)\n Περίληψ η\n Η διδακτορική διατριβή αναπτύσσε ι προηγμένες μεθοδολογίες για τη δια χείριση ενέργειας και τον έλεγχο μικ ροδικτύων που ενσωματώνουν παραγωγού ς-καταναλωτές (prosumers), ηλεκτρικά οχήματα και συστήματα συμπαραγωγής ηλεκτρισμού και θερμότητας, με στόχο την οικονομικά αποδοτική, βιώσιμη κ αι αξιόπιστη λειτουργία τους.\n Τα υ πό μελέτη συστήματα περιλαμβάνουν κτ ίρια, ηλεκτρικά οχήματα και σταθμούς φόρτισης, μονάδες συμπαραγωγής ηλεκ τρισμού και θερμότητας, γεννήτριες κ αι ανανεώσιμες πηγές ενέργειας. Αναπ τύσσονται λεπτομερή μοντέλα για όλα τα στοιχεία του μικροδικτύου, συμπερ ιλαμβανομένων θερμικών και ηλεκτρικώ ν φορτίων, τα οποία ταξινομούνται σε κρίσιμα και μη κρίσιμα φορτία. Τα φ ορτία μπορούν να τροφοδοτούνται από το μικροδίκτυο και το κύριο δίκτυο ή αποκλειστικά από το μικροδίκτυο σε λειτουργία νησιδοποίησης. Το μικροδί κτυο παρέχει επίσης στήριξη συχνότητ ας και τάσης μέσω βέλτιστης ρύθμισης ενεργού και άεργου ισχύος. \n Κύρια καινοτομία της διατριβής αποτελεί η εφαρμογή της σε συστήματα που εκτεί νονται από οικιακούς καταναλωτές έως ιδιαίτερα πολύπλοκα μικροδίκτυα, χω ρίς σημαντική υπολογιστική επιβάρυνσ η. Παράλληλα, προτείνονται προσαρμοσ τικές μέθοδοι κατανομής ισχύος σε πρ αγματικό χρόνο, βασισμένες σε νέους ορισμούς ευελιξίας που απαιτούν ελάχ ιστες μετρήσεις.\n Οι κύριες επιστημ ονικές συνεισφορές συνοψίζονται ως ε ξής:\n 1. Ιεραρχικό πολυπρακτορικό σ ύστημα διαχείρισης ενέργειας και ελέ γχου μικροδικτύων σε πραγματικό χρόν ο\n Ανάπτυξη συστήματος πολυπρακτορι κού ελέγχου πραγματικού χρόνου για μ ικροδίκτυα με prosumers και ηλεκτρικ ά οχήματα, με στόχο την ελαχιστοποίη ση του λειτουργικού κόστους υπό μετα βαλλόμενο κόστος ηλεκτρικής ενέργεια ς και τεχνικούς περιορισμούς, χωρίς πρόβλεψη επόμενης ημέρας. \n 2. Διαχ είριση ισχύος μικροδικτύων μηδενικού ενεργειακού ισοζυγίου με χρήση ψηφι ακών διδύμων\n Ανάπτυξη πλαισίου δια χείρισης ισχύος για μικροδίκτυα μηδε νικού ενεργειακού ισοζυγίου που ενσω ματώνουν κτίρια, συστήματα CHP, αναν εώσιμες πηγές και ηλεκτρικά οχήματα, χρησιμοποιώντας απλοποιημένα ψηφιακ ά δίδυμα κτιρίων με μειωμένη υπολογι στική πολυπλοκότητα και υψηλή ακρίβε ια. \n 3. Βέλτιστος έλεγχος συχνότητ ας σε πολύπλοκα μικροδίκτυα\n Ανάπτυ ξη προηγμένων στρατηγικών ελέγχου συ χνότητας που αξιοποιούν την ευελιξία των κτιριακών φορτίων και των ηλεκτ ρικών οχημάτων μέσω μεθόδων ασαφούς λογικής, διασφαλίζοντας θερμική άνεσ η, συμμόρφωση με τεχνικούς περιορισμ ούς και μείωση εκπομπών CO₂. \n 4. Β έλτιστη και συντονισμένη λειτουργία θερμοηλεκτρικών μικροδικτύων\n Ανάπτ υξη πλαισίου βελτιστοποίησης για τον συντονισμένο έλεγχο συστημάτων συμπ αραγωγής ηλεκτρισμού και θερμότητας, prosumers και ηλεκτρικών οχημάτων, με στόχο την ελαχιστοποίηση του λειτ ουργικού κόστους, την εξομάλυνση του φορτίου υποσταθμού και την επίτευξη μηδενικού ενεργειακού ισοζυγίου. \n 5. Προσαρμοστικός έλεγχος πραγματικ ού χρόνου για μικροδίκτυα μηδενικού ενεργειακού ισοζυγίου\n Εισαγωγή νέα ς διατύπωσης θερμικών μοντέλων κτιρί ων, όπου οι αβεβαιότητες και οι χρον ικά μεταβαλλόμενες είσοδοι συγκεντρώ νονται σε μία ισοδύναμη είσοδο, επιτ ρέποντας προσαρμοστικό έλεγχο με ακρ ίβεια και υπολογιστική αποδοτικότητα . \n 6. Προηγμένος έλεγχος ηλεκτρικώ ν συστημάτων κτιρίων με χρήση τεχνητ ής νοημοσύνης\n Ανάπτυξη μεθοδολογιώ ν διαχείρισης ενέργειας βασισμένων σ ε τεχνητά νευρωνικά δίκτυα και Νευρο ασαφή Δίκτυα για εκτίμηση και προσαρ μοστικό έλεγχο σε πραγματικό χρόνο, βελτιώνοντας τη θερμική άνεση, την ε ρμηνευσιμότητα του ισοδύναμου μοντέλ ου, την ακρίβεια και την ενεργειακή αποδοτικότητα. \n 7. Διαχείριση φορτ ίου σε ενεργειακές κοινότητες βασισμ ένες σε μικροδίκτυα\n Ανάπτυξη μεθοδ ολογίας συνδυασμένης διαχείρισης ηλε κτρικών και θερμικών φορτίων σε ενερ γειακές κοινότητες, με στόχο την εξο μάλυνση της ζήτησης στον υποσταθμό κ αι λαμβάνοντας υπόψη τη θερμική άνεσ η και τους περιορισμούς συστημάτων θ έρμανσης/ψύξης. \n Όλες οι προτεινόμ ενες μέθοδοι έχουν επικυρωθεί θεωρητ ικά και μέσω προσομοιώσεων με χρήση λεπτομερών αναλυτικών μοντέλων σύνθε των συστημάτων μικροδικτύων.\n     \ n Abstract\n The doctoral dissertati on develops advanced methodologies f or the energy management and control of microgrids integrating prosumers , electric vehicles, and combined he at and power (CHP) systems, aiming a t economically efficient, sustainabl e, and reliable operation.\n The stu died systems include buildings, elec tric vehicles and charging stations, CHP units, generators, and renewabl e energy sources. Detailed models ar e developed for all microgrid compon ents, including thermal and electric al loads classified into critical an d non-critical (time-shiftable) load s. Loads may be supplied either by t he microgrid and the main grid or so lely by the microgrid in islanded mo de. The microgrid also provides freq uency and voltage support through op timal active and reactive power regu lation.\n A key innovation of the th esis is its applicability to systems ranging from residential consumers to highly complex microgrids without significant computational burden. A daptive real-time power allocation m ethods are also proposed based on no vel flexibility definitions requirin g minimal measurements.\n The main s cientific contributions are:\n 1. Hi erarchical multi-agent real-time ene rgy management and control\n Develop ment of a real-time multi-agent cont rol system for microgrids with prosu mers and electric vehicles, minimizi ng operational cost under varying el ectricity prices and technical const raints without day-ahead forecasting . \n 2. Power management of net-zero energy microgrids using digital twi ns\n Development of a power manageme nt framework for net-zero energy mic rogrids integrating buildings, CHP s ystems, renewable sources, and elect ric vehicles, using simplified build ing digital twins with reduced compu tational complexity and high accurac y. \n 3. Optimal frequency control i n complex microgrids\n Development o f advanced frequency control strateg ies exploiting the flexibility of bu ilding loads and electric vehicles t hrough fuzzy-logic-based methods tha t ensure thermal comfort, technical compliance, and reduced CO₂ emission s. \n 4. Optimal and coordinated ope ration of thermal-electrical microgr ids\n Development of an optimization framework for coordinated control o f CHP systems, building prosumers, a nd plug-in electric vehicles, minimi zing operational cost, smoothing sub station load, and enforcing net-zero energy balance. \n 5. Adaptive real -time control for net-zero energy mi crogrids\n Introduction of a novel f ormulation of building thermal model s aggregating uncertainties into an equivalent input, enabling adaptive control with improved robustness, ac curacy, and computational efficiency . \n 6. Advanced control of building electrical systems using artificial intelligence\n Development of energ y management methodologies based on artificial neural networks and Neuro -Fuzzy Networks for real-time estima tion and adaptive control, improving thermal comfort, interpretability o f the equivalent model, accuracy, an d energy efficiency. \n 7. Load mana gement in microgrid-based energy com munities\n Development of a methodol ogy for combined management of elect rical and thermal loads in energy co mmunities to smooth substation deman d while considering thermal comfort and heating/cooling constraints. \n All proposed methods have been valid ated theoretically and through simul ations using detailed analytical mod els of complex microgrid systems.\n Meeting ID: 987 6459 4178 \n Passwor d: 546811 \n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260519T100000 DTEND:20260519T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260513T102532Z LAST-MODIFIED:20260513T102532Z DTSTAMP:20260612T231001Z UID:1781295000_8418@tuc.gr SUMMARY:«Info Day Masters @ TUC 2026» Ημέρα Ενημέρωσης για τις Μεταπτυχιακές Σπο υδές στο Πολυτεχνείο Κρήτης | Τετάρτ η 20 Μαΐου 2026 |11:00 – 15:30| Αμφι θέατρο Γ2.1 & διαδικτυακά μέσω Zoom LOCATION:Γ2 - Κτίριο Γ2 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8418&cHash=db6f2dfcd0668d1 905d99f25723667dc\nΤο Γραφείο Διασύν δεσης και Σταδιοδρομίας του Πολυτεχν είου Κρήτης σε συνεργασία με τις Σχο λές του Ιδρύματος διοργανώνει Ημέρα Ενημέρωσης για τις Μεταπτυχιακές Σπο υδές στο Πολυτεχνείο Κρήτης\n "Info Day Masters @ TUC 2026"\n Τετάρτη, 2 0 Μαΐου 2026\n Ώρες: 11:00 – 15:30\n Χώρος: Αμφιθέατρο Γ2.1 & διαδικ τυακά μέσω Zoom\n Facebook event\n Η εκδήλωση απευθύνεται σε υποψήφιους μεταπτυχιακούς φοιτητές οι οποίοι θα έχουν τη δυνατότητα να ενημερωθούν για : \n \n \nτη διάρθρωση του Προγρ άμματος Μεταπτυχιακών Σπουδών κάθε Σ χολής\n \nτη διαδικασία αίτησης, τις υποτροφίες και τα τέλη φοίτησης\n \ nτον τρόπο παρακολούθησης σε κάθε ΠΜ Σ (φυσική παρουσία ή/και τηλεκπαίδευ ση)\n \nτις επαγγελματικές προοπτικέ ς που ανοίγονται από κάθε ΠΜΣ\n \nτη ν έρευνα που παράγεται στο Πολυτεχνε ίο Κρήτης και τις δυνατότητες συμμετ οχής \n \n Κατά τη διάρκεια της εκδή λωσης θα παρουσιαστούν τα Μεταπτυχια κά και Διδακτορικά Προγράμματα Σπουδ ών όλων των Σχολών του Ιδρύματος από μέλη ΔΕΠ και Διευθυντές ΠΜΣ.\n Για τη συμμετοχή στην εκδήλωση με φυσική παρουσία απαιτείται εγγραφή στην ηλ εκτρονική φόρμα https://forms.gle/Rh bMqBLLQ5Fmgvie7 και για όσους θέλουν να παρακολουθήσουν διαδικτυακά ο σύ νδεσμος της πλατφόρμας zoom θα σταλε ί στο email που θα δηλώσετε στην ηλε κτρονική φόρμα μέχρι την Τρίτη 19 Μα ΐου 2026.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260520T110000 DTEND:20260520T153000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260512T134537Z LAST-MODIFIED:20260512T134537Z DTSTAMP:20260612T231001Z UID:1781295000_8410@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Βασιλείου Γκεντσούδη - Σχολή ΗΜΜΥ LOCATION:Δ5 - Κτίριο ΜΠΔ, Δ5.015 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8410&cHash=693e6520f8bac90 c01b6adf10df75aba\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Βασιλείου Γκεντ σούδη\n με θέμα\n Εφαρμογή για Μετρή σεις και Επεξεργασία Ταλαντώσεων σε Κινητές Συσκευές\n Application for V ibration Measurements and Processing on Mobile Devices\n Εξεταστική Επιτ ροπή\n Καθηγητής Γεώργιος Καρυστινός (επιβλέπων)\n Καθηγητής Διονύσιος Χ ριστόπουλος (Πολυτεχνείο Κρήτης, Σχο λή ΗΜΜΥ)\n Καθηγητής Γεώργιος Σταυρο υλάκης (Πολυτεχνείο Κρήτης, Σχολή ΜΠ Δ)\n Περίληψη\n Η παρούσα διπλωματικ ή εργασία παρουσιάζει την ανάπτυξη μ ιας εφαρμογής για κινητές συσκευές A ndroid που επιτρέπει τη μέτρηση και ανάλυση δονήσεων με τη χρήση των ενσ ωματωμένων αισθητήρων επιτάχυνσης. Η εφαρμογή, που αναπτύχθηκε στη γλώσσ α Kotlin, παρέχει, μέσω φασματικής α νάλυσης, ζωντανή απεικόνιση των αποτ ελεσμάτων τόσο στο πεδίο του χρόνου όσο και στο πεδίο των συχνοτήτων. Η εφαρμογή υποστηρίζει ευέλικτο ρυθμό δειγματοληψίας από 10Hz έως 400Hz, ε πιτρέποντας τη μέτρηση δονήσεων σε έ να ευρύ φάσμα συχνοτήτων. Επιπλέον, προσφέρει τη δυνατότητα εξαγωγής των μετρήσεων σε αρχεία CSV και των γρα φημάτων σε μορφή PNG, ενώ ενσωματώνε ι υψηπερατό φίλτρο για την αφαίρεση της συνιστώσας της επιτάχυνσης της β αρύτητας. Η αξιολόγηση της εφαρμογής πραγματοποιήθηκε μέσω πειραματικών δοκιμών που περιλάμβαναν μετρήσεις μ ε γνωστές συχνότητες, ανίχνευση καρδ ιακών παλμών και επικύρωση με επαγγε λματικό σύστημα δοκιμής δονήσεων. Τα αποτελέσματα επιβεβαίωσαν την ακρίβ εια και την αξιοπιστία της εφαρμογής , καθιστώντας την κατάλληλη για εκπα ιδευτικούς, ερευνητικούς και πρακτικ ούς σκοπούς.\n Abstract \n This dipl oma thesis presents the development of a mobile application for Android devices that enables the measurement and analysis of vibrations using th e built-in accelerometer sensors. Th e application, developed in Kotlin, provides, through spectral analysis, real-time visualization of results in both the time domain and the freq uency domain. The application suppor ts a flexible sampling rate ranging from 10 Hz to 400 Hz, allowing vibra tion measurements across a wide freq uency spectrum. Moreover, it offers the ability to export measurements a s CSV files and graphs in PNG format , while incorporating a high-pass fi lter to remove the gravitational acc eleration component. The application was evaluated through experimental tests that included measurements at known frequencies, heartbeat detecti on, and validation against a profess ional vibration testing system. The results confirmed the accuracy and r eliability of the application, makin g it suitable for educational, resea rch, and practical purposes.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260514T090000 DTEND:20260514T100000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260511T131022Z LAST-MODIFIED:20260511T131022Z DTSTAMP:20260612T231001Z UID:1781295000_8405@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Λεωνίδα Καραγιάννη – Ξανθάκη - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8405&cHash=b712d8d902af233 67a4704a6005b24ee\n \n ΠΟΛΥΤΕΧΝΕΙΟ Κ ΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμ μα Προπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Λεωνίδα Καρ αγιάννη – Ξανθάκη \n με θέμα\n Ενσωμ ατωμένο Σύστημα Ανάλυσης Φασματικού Κύβου και RF Μετάδοσης Φασματικών Χα ρτών σε Πλατφόρμες Drone\n Embedded System for Spectral Cube Processing and RF Transmission of Spectral Maps in Drone Platforms\n Εξεταστική Επι τροπή\n Καθηγητής Κωνσταντίνος Μπάλα ς \n Καθηγητής Ματτίας Μπούχερ \n Κα θηγητής Γεώργιος Καρυστινός\n Περίλη ψη\n Η ενσωμάτωση της φασματικής απε ικόνισης σε πραγματικό χρόνο σε μη ε πανδρωμένα εναέρια οχήματα (UAV) παρ εμποδίζεται από τον μεγάλο όγκο δεδο μένων των πολυφασματικών αισθητήρων και τους αυστηρούς περιορισμούς εύρο υς ζώνης των εναέριων ζεύξεων δεδομέ νων. Αυτή η διατριβή παρουσιάζει το σχεδιασμό, την υλοποίηση και την επι κύρωση ενός πλήρους ενσωματωμένου συ στήματος που ξεπερνά αυτό το σημείο συμφόρησης επιτρέποντας τη μετάδοση σε πραγματικό χρόνο επεξεργασμένων α ναλυτικών στοιχείων βλάστησης από μι α κινητή πλατφόρμα. Το έργο περιλαμβ άνει την επιλογή και τη διαμόρφωση μ ιας εμπορικής πολυφασματικής κάμερας στιγμιότυπου, την επεξεργασία των α κατέργαστων δεδομένων της σε δείκτες βλάστησης και μια νέα στρατηγική με τάδοσης. \n Abstract \n The integrat ion of real-time spectral imaging on unmanned aerial vehicles (UAVs) is impeded by the high data volume of m ultispectral sensors and the stringe nt bandwidth constraints of aerial d ata links. This thesis presents the design, implementation, and validati on of a complete embedded system tha t overcomes this bottleneck by enabl ing the real-time transmission of pr ocessed vegetation analytics from a mobile platform. The work encompasse s the selection and configuration of a commercial snapshot multispectral camera, the processing of its raw d ata into vegetation indices, and a n ovel transmission strategy. \n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260514T140000 DTEND:20260514T150000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260508T142129Z LAST-MODIFIED:20260508T142129Z DTSTAMP:20260612T231001Z UID:1781295000_8401@tuc.gr SUMMARY:"Algorithm/hardware co-design in thr ee acts" by Dr. Alexios Balatsoukas- Stimming LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 141Π-98 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8401&cHash=829ad93501dc404 616c9e5e64fefa37a\nAbstract\n The pe rformance and efficiency of modern s ignal processing systems depend on t ight and often non-linear interactio ns between algorithms and hardware. Algorithmic gains that look compelli ng on paper can diminish or even rev erse when confronted with real archi tectural constraints, just as new ha rdware may underperform without algo rithms designed to exploit it. Evalu ations that focus on only one dimens ion therefore risk producing mislead ing conclusions about scalability, e nergy efficiency, or impact. This ta lk argues that algorithm–hardware co -design is essential not only for op timization, but for reaching correct insights. We will focus on three si gnal processing applications (decodi ng of polar codes, non-linearity com pensation, and decoding of Reed-Mull er codes), each showcasing a differe nt aspect where the joint considerat ion of algorithms and hardware can p roduce unexpected results.\n \n Abou t the Speaker\n Dr. Alexios Balatsou kas-Stimming holds Dipl.-Ing. (2010) and MSc (2012) degrees in Electroni cs and Computer Engineering from the Technical University of Crete. He r eceived his PhD in Computer and Comm unications Sciences from the École p olytechnique fédérale de Lausanne (E PFL) in 2016. He then spent a year a s Marie Skłodowska-Curie postdoctora l fellow at the European Laboratory for Particle Physics (CERN), before joining the Telecommunications Circu its Laboratory of EPFL as postdoctor al researcher. Dr. Balatsoukas-Stimm ing is currently a tenured Assistant Professor in the Electronic Systems Group of the Eindhoven University o f Technology. His research lies on t he intersection between communicatio ns, hardware design, and machine lea rning and his specific research inte rests include VLSI circuits for comm unications, error-correction coding theory and practice, and non-linear signal processing.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260511T140000 DTEND:20260511T150000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260504T141002Z LAST-MODIFIED:20260504T141002Z DTSTAMP:20260612T231001Z UID:1781295000_8393@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Σταματίου Αλεξίου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8393&cHash=8001d050717bb21 eb13e4370162fa60d\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Σταματίου Αλεξί ου\n με θέμα\n Διεπαφή Επαυξημένης Π ραγματικότητας για τον Έλεγχο Ρομποτ ικού Βραχίονα μέσω Εστίασης Βλέμματο ς\n Augmented Reality Interface for Robotic Arm Control via Gaze-Based I nteraction\n Εξεταστική Επιτροπή\n Κ αθηγήτρια Αικατερίνη Μανιά (επιβλέπο υσα)\n Καθηγητής Μιχαήλ Λαγουδάκης\n Επίκουρος Καθηγητής Νικόλαος Γιατρά κος\n Περίληψη\n Οι Διεπαφές Ανθρώπο υ-Ρομπότ είναι καθοριστικές για τη γ εφύρωση του χάσματος μεταξύ ανθρώπων και ρομπότ, επιτρέποντας τη διαισθη τική επικοινωνία και συνεργασία. Η ρ ομποτική διαδικασία επιλογής και τοπ οθέτησης (pick-and-place) αποτελεί τ ον πυρήνα του αυτόνομου χειρισμού. Ό ταν εκτελείται σε περιβάλλοντα με πο λλά αντικείμενα ή αυξημένη πολυπλοκό τητα, τα ρομπότ πρέπει να συνεκτιμού ν την επιλεγμένη λαβή και τις επιθυμ ητές θέσεις τοποθέτησης, προκειμένου να διασφαλιστεί η επιτυχής εκτέλεση .\n Η παρούσα διπλωματική εργασία πα ρουσιάζει ένα πλαίσιο επαυξημένης πρ αγματικότητας (AR) βασισμένο σε προσ ομοίωση, το οποίο είναι σχεδιασμένο να υποστηρίζει τον έλεγχο ενός ρομπο τικού βραχίονα, καθοδηγούμενο από το βλέμμα, για εργασίες επιλογής και τ οποθέτησης αντικειμένων. Η προτεινόμ ενη διεπαφή επιτρέπει στους χρήστες να επιλέγουν το αντικείμενο-στόχο εί τε μέσω της παραμονής του βλέμματος (gaze dwell) είτε μέσω αλληλεπίδραση ς με βλεφάρισμα (blink). Μόλις επιλε γεί ένα αντικείμενο, παράγονται υποψ ήφιες στάσεις λαβής από ένα ενσωματω μένο σύστημα Ανίχνευσης Θέσης Λαβής (Grasp Pose Detection - GPD) που λει τουργεί στο νέφος σημείων (point clo ud) του αντικειμένου, παράγοντας τις δέκα κορυφαίες εφικτές διαμορφώσεις σύλληψης. Ωστόσο, δεδομένου ότι το σύστημα GPD δεν λαμβάνει υπόψη την π ολυπλοκότητα της σκηνής, εκπαιδεύτηκ ε ένα μοντέλο μηχανικής μάθησης για να αξιολογεί τις παραγόμενες λαβές μ ε βάση την καταλληλότητά τους μέσα σ τη δεδομένη σκηνή. Για τον καθορισμό της τοποθέτησης, ο χρήστης χειρίζετ αι έναν εικονικό κλώνο του επιλεγμέν ου αντικειμένου στον χώρο χρησιμοποι ώντας την προσήλωση του βλέμματος (g aze fixation) και τον σταθεροποιεί σ την επιθυμητή θέση τοποθέτησης μέσω βλεφαρίσματος. Αφού αποκτηθούν τόσο οι θέσεις λαβής όσο και τοποθέτησης, οι πληροφορίες αυτές μεταδίδονται σ το Robot Operating System (ROS). Στη συνέχεια, ο σχεδιασμός της κίνησης και η παραγωγή της τροχιάς πραγματοπ οιούνται χρησιμοποιώντας το εργαλείο MoveIt, διασφαλίζοντας εκτέλεση χωρ ίς συγκρούσεις. Η προκύπτουσα τροχιά αποστέλλεται πίσω στο σύστημα, όπου ο χρήστης λαμβάνει οπτική ανατροφοδ ότηση σε πραγματικό χρόνο για το ρομ πότ που εκτελεί την εργασία ή, σε πε ρίπτωση αποτυχίας, ένα ενημερωτικό μ ήνυμα που υποδεικνύει την αιτία (π.χ ., μη προσβάσιμος στόχος). Το προτει νόμενο πλαίσιο αξιολογήθηκε σε προσο μοιωμένα σενάρια χειρισμού με δύο επ ίπεδα πολυπλοκότητας σκηνής. Τα αποτ ελέσματα καταδεικνύουν αξιόπιστη επι λογή αντικειμένου με βάση το βλέμμα, αποτελεσματική εκτέλεση της λαβής κ αι αποδοτική ολοκλήρωση της εργασίας . Συνολικά, η εργασία αυτή συμβάλλει στους τομείς της επαυξημένης πραγμα τικότητας και του ρομποτικού χειρισμ ού, παρουσιάζοντας μια διεπαφή AR κα θοδηγούμενη από το βλέμμα, η οποία ε νσωματώνει την επιλογή λαβής μέσω μη χανικής μάθησης με τον σχεδιασμό κίν ησης που βασίζεται στο ROS.\n Abstra ct \n Human-Robot Interfaces are piv otal in bridging the gap between hum ans and robots, enabling intuitive c ommunication and collaboration. Robo tic pick-and-place constitutes the c ore of autonomous manipulation. When conducted in cluttered or complex e nvironments, robots must jointly rea son about the selected grasp and des ired placement locations to ensure s uccessful execution. This thesis pre sents a simulation-based augmented r eality (AR) framework designed to su pport gaze-driven control of a robot ic arm for object pick-and-place tas ks. The proposed interface allows us ers to select the target object eith er through gaze dwell or blink inter action. Once an object is selected, candidate grasp poses are generated by an integrated Grasp Pose Detectio n (GPD) system operating on the obje ct’s point cloud, producing the top ten feasible grasp configurations. H owever, since GPD does not take into consideration scene complexity, a m achine learning model is trained to evaluate the generated grasps based on their suitability within the give n scene. For placement specification , user manipulates a virtual clone o f the selected object in space using gaze fixation and locks it at the d esired placement position via blinki ng. After, both grasp and placement poses have been acquired, this infor mation is transmitted to the Robot O perating System (ROS). Motion Planni ng and trajectory generation are the n performed using MoveIt, ensuring c ollision-free execution. The resulti ng trajectory is sent back to the sy stem, where user receives real-time visual feedback of the robot perform ing the task or, in the case of fail ure, an informative log indicating t he cause (e.g., unreachable target). The proposed framework was evaluate d in simulated manipulation scenario s with two levels of scene complexit y. The results demonstrate reliable gaze-based object selection, effecti ve grasp execution, and efficient ta sk completion. Overall, this work co ntributes to the fields of augmented reality and robotic manipulation by presenting a gaze-driven AR interfa ce that integrates learning-based gr asp selection with ROS-based motion planning.\n Meeting ID: 989 8380 362 7\n Passcode: 688370\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260507T163000 DTEND:20260507T173000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260504T091319Z LAST-MODIFIED:20260504T091319Z DTSTAMP:20260612T231001Z UID:1781295000_8391@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Αθανασίου Χριστόπουλου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8391&cHash=9fd105020b5c435 b09cfdda2223cfc9a\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Αθανασίου Χριστ όπουλου\n με θέμα\n Ομοσπονδιακή Βελ τιστοποίηση Σμήνους Σωματιδίων (PSO) σε Μικροϋπηρεσίες Kafka Streams με χρήση DeepLearning4J\n Federated Par ticle Swarm Optimization (PSO) on De epLearning4J-powered Kafka Streams M icroservices\n Εξεταστική Επιτροπή\n Επίκουρος Καθηγητής  Νικόλαος Γιατρ άκος (Επιβλέπων)\n Καθηγητής Αντώνιο ς Δεληγιαννάκης\n Αναπληρωτής Καθηγη τής Βασίλειος Σαμολαδάς\n Περίληψη\n Η παρούσα διπλωματική εργασία παρου σιάζει ένα κατανεμημένο σύστημα για την εκπαίδευση νευρωνικών δικτύων με χρήση του αλγορίθμου Βελτιστοποίηση ς Σμήνους Σωματιδίων (Particle Swarm Optimization – PSO), ως εναλλακτική προσέγγιση στην μέθοδο η Στοχαστική Κατηφόρα Κλίση (Stochastic Gradient Descent – SGD). Το σύστημα υλοποιεί ται με χρήση των Apache Kafka και Ka fka Streams, όπου οι εργαζόμενοι κόμ βοι λειτουργούν ως ανεξάρτητα σωματί δια και επικοινωνούν ασύγχρονα μέσω Kafka, κάτι που επιτρέπει επίσης τη λειτουργία του σε ομοσπονδιακά (fede rated) περιβάλλοντα. Η προτεινόμενη αρχιτεκτονική είναι παραμετροποιήσιμ η και επεκτάσιμη, υποστηρίζοντας δια φορετικές διαμορφώσεις του PSO, τρόπ ους επικοινωνίας και στρατηγικές εκπ αίδευσης νευρωνικών δικτύων.\n Σε αν τίθεση με τις παραδοσιακές σύγχρονες υλοποιήσεις του PSO, το σύστημα λει τουργεί με ασύγχρονο τρόπο, επιτρέπο ντας στους εργαζόμενους κόμβους να ε νημερώνουν τα μοντέλα τους ανεξάρτητ α χωρίς καθολικό συγχρονισμό, γεγονό ς που βελτιώνει τον χρόνο εκπαίδευση ς και την επεκτασιμότητα. Το σύστημα υποστηρίζει επίσης διαφορετικές στρ ατηγικές επικοινωνίας, συμπεριλαμβαν ομένης της καθολικής και της βασισμέ νης σε γειτονιές ανταλλαγής πληροφορ ίας, καθώς και μηχανισμούς φιλτραρίσ ματος επικοινωνίας, επιτρέποντας ευέ λικτο έλεγχο της συμπεριφοράς του σμ ήνους.\n Το σύστημα αξιολογήθηκε πει ραματικά σε πολλαπλά σύνολα δεδομένω ν, με έμφαση τόσο στην ποιότητα πρόβ λεψης όσο και στην απόδοση του συστή ματος, συμπεριλαμβανομένου του χρόνο υ εκπαίδευσης και του επικοινωνιακού κόστους. Τα αποτελέσματα δείχνουν ό τι η εκπαίδευση με PSO είναι εφικτή σε κατανεμημένα και ομοσπονδιακά περ ιβάλλοντα και ότι το προτεινόμενο σύ στημα υποστηρίζει βελτιστοποίηση χωρ ίς παραγώγους και παράλληλη επεξεργα σία, διατηρώντας παράλληλα ανταγωνισ τική απόδοση.\n Abstract \n This the sis presents a distributed system fo r training neural networks using Par ticle Swarm Optimization (PSO) as an alternative to conventional gradien t-based methods, such as Stochastic Gradient Descent (SGD). It is implem ented using Apache Kafka and Kafka S treams, where workers act as indepen dent particles and communicate async hronously through Kafka topics, whic h also enables operation in federate d settings. The proposed architectur e is configurable and extensible, su pporting different PSO configuration s, communication modes, and neural n etwork training strategies.\n Unlike traditional synchronous PSO impleme ntations, the system operates in an asynchronous manner, allowing worker s to update independently without gl obal synchronization, which improves training time and scalability. The system also supports different commu nication strategies, including globa l, neighborhood-based information sh aring and communication filtering, e nabling flexible control over swarm behavior.\n The system was evaluated experimentally on multiple datasets , with emphasis on both predictive q uality and system performance, inclu ding training time and communication overhead. The results show that PSO training is feasible in distributed and federated settings and that the proposed system supports derivative -free and parallel optimization, whi le maintaining competitive performan ce.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260506T110000 DTEND:20260506T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260430T145835Z LAST-MODIFIED:20260430T145835Z DTSTAMP:20260612T231001Z UID:1781295000_8390@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Κωνσταντίνου Δώρα - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8390&cHash=0940a2bbefffbf7 c823d2e180471c7e4\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Κωνσταντίνου Δώ ρα\n με θέμα\n Aσύγχρονος προγραμματ ισμός (Flow-based Programming) στον Ιστό των Πραγμάτων (Web of Things)\n Asynchronous Flow-Based Programming in the Web of Things\n Εξεταστική Ε πιτροπή\n Καθηγητής Ευριπίδης Πετράκ ης\n Επίκουρος Καθηγητής Νικόλαος Γι ατράκος\n Δρ Χρύσα Τσιναράκη (EU Cou ncil, ICT Application Coordinator an d Analyst)\n Περίληψη\n Η παρούσα δι πλωματική εργασία αφορά τον σχεδιασμ ό και την υλοποίηση ενός συστήματος προσομοίωσης έξυπνης κατοικίας, βασι σμένου σε ασύγχρονη επικοινωνία. Η υ λοποίηση πραγματοποιείται στην πλατφ όρμα Node-RED και αξιοποιεί το πρότυ πο AsyncAPI (έκδοση 3+) ως τυπικό συ μβόλαιο επικοινωνίας μεταξύ των επιμ έρους συνιστωσών.\n Το AsyncAPI χρησ ιμοποιείται για τον ορισμό της δομής του επιπέδου ανταλλαγής μηνυμάτων, συμπεριλαμβανομένων των καναλιών επι κοινωνίας, των σχημάτων δεδομένων κα ι των προτύπων αλληλεπίδρασης publis h–subscribe, παρέχοντας μια τυποποιη μένη και μηχανικά αναγνώσιμη περιγρα φή της επικοινωνίας, κατάλληλη για e vent-driven περιβάλλοντα του Διαδικτ ύου των Πραγμάτων (IoT).\n Για την ε νσωμάτωση του προτύπου, αναπτύχθηκε προσαρμοσμένος κόμβος στην πλατφόρμα Node-RED, ο οποίος υλοποιήθηκε ως έ ργο σε Node.js. Ο κόμβος αυτός είναι υπεύθυνος για τη σύνδεση με τον εξυ πηρετητή MQTT, τη δημιουργία και δια χείριση των καναλιών επικοινωνίας (t opics), καθώς και για την επικύρωση των ανταλλασσόμενων μηνυμάτων βάσει JSON Schema, διασφαλίζοντας τη συνέπ εια και την ορθότητα των δεδομένων.\ n Στο πλαίσιο της προσομοίωσης, υλοπ οιείται ένα ολοκληρωμένο μοντέλο έξυ πνης κατοικίας που περιλαμβάνει συστ ήματα φωτισμού, συστήματα θέρμανσης και κλιματισμού, οικιακές συσκευές, αισθητήρες περιβάλλοντος και έξυπνες πρίζες με δυνατότητες απομακρυσμένο υ ελέγχου και παρακολούθησης ενεργει ακής κατανάλωσης. Επιπλέον, αξιοποιε ίται το OpenAPI για την υλοποίηση σύ γχρονων λειτουργιών μέσω webhooks.\n Τέλος, μέσω της χρήσης subflows στο Node-RED, το σύστημα επεκτείνεται γ ια την προσομοίωση πολλαπλών κατοικι ών, συγκροτώντας ένα εικονικό έξυπνο δίκτυο γειτονιάς. Η προσέγγιση αυτή επιτρέπει την κλιμάκωση του συστήμα τος και τη μελέτη της κατανεμημένης ενεργειακής κατανάλωσης, αναδεικνύον τας τα πλεονεκτήματα του specificati on-driven σχεδιασμού σε εφαρμογές Io T.\n Abstract \n This thesis focuses on the design and implementation of a smart-home simulation system base d on asynchronous communication. The system is developed on the Node-RED platform and utilizes the AsyncAPI standard (version 3+) as a formal co mmunication contract between distrib uted components.\n AsyncAPI is used to define the structure of the messa ging layer, including communication channels, data schemas, and publish– subscribe interaction patterns, prov iding a standardized and machine-rea dable description of communication, suitable for event-driven Internet o f Things (IoT) environments.\n To in tegrate this standard, a custom node was developed within Node-RED, impl emented as a project in Node.js. Thi s node is responsible for establishi ng the connection to the MQTT server , creating and managing communicatio n channels (topics), and validating exchanged messages based on JSON Sch ema, ensuring the consistency and co rrectness of the exchanged data.\n W ithin the simulation, a comprehensiv e smart-home model is implemented, i ncluding lighting systems, heating a nd cooling systems, household applia nces, environmental sensors, and sma rt plugs that enable remote control and energy consumption monitoring. F urthermore, OpenAPI is utilized to i mplement synchronous operations thro ugh webhooks.\n Finally, by using su bflows in Node-RED, the system is ex tended to simulate multiple smart ho mes, forming a virtual smart neighbo rhood. This approach enables system scalability and supports the analysi s of distributed energy consumption, highlighting the advantages of spec ification-driven design in IoT appli cations.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260506T090000 DTEND:20260506T100000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260429T101952Z LAST-MODIFIED:20260429T101952Z DTSTAMP:20260612T231001Z UID:1781295000_8387@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Κωνσταντίνου Όντρια - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8387&cHash=4e05e699c737a80 107238952dab32951\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Κωνσταντίνου Όν τρια\n με θέμα\n Βραχυπρόθεσμη Πρόβλ εψη Χρηματοοικονομικών Δεδομένων με Χρήση Μοντέλων Χρονοσειρών και Μεθόδ ων Μηχανικής Μάθησης\n Short-Term Fo recasting of Financial Market Data U sing Time Series Models and Machine Learning Methods\n Εξεταστική Επιτρο πή\n Καθηγητής Διονύσιος Χριστόπουλο ς (επιβλέπων)\n Καθηγητής Μιχαήλ Λαγ ουδάκης\n Δρ. Σοφία Τσακιρίδου (Σχολ ή ΗΜΜΥ, ΕΔΙΠ)\n Περίληψη\n Οι χρηματ οοικονομικές αγορές έχουν παραδοσιακ ά θεωρηθεί ως ένας από τους βασικούς δείκτες οικονομικής δραστηριότητας, με τις αγορές μετοχών να προσελκύου ν ιδιαίτερη προσοχή, καθώς οι τιμές των μετοχών αντανακλούν την αγοραία αξία μιας επιχείρησης, την αναμενόμε νη μελλοντική της κερδοφορία, τις πρ οοπτικές ανάπτυξης και τους επενδυτι κούς κινδύνους που αντιμετωπίζει, κα θώς και τις ευρύτερες οικονομικές συ νθήκες. Συνεπώς, η προσπάθεια πρόβλε ψης των τιμών καθώς και των αποδόσεω ν των μετοχών θεωρείται μία από τις πιο σύνθετες προκλήσεις στη σύγχρονη χρηματοοικονομική οικονομική θεωρία . Σύμφωνα με την Υπόθεση της Αποτελε σματικής Αγοράς (Fama, 1970), οι χρη ματοοικονομικές αγορές είναι πληροφο ριακά αποτελεσματικές, γεγονός που σ υνεπάγεται ότι οι τιμές των μετοχών ενσωματώνουν πλήρως όλες τις δημόσια διαθέσιμες πληροφορίες, με αποτέλεσ μα οι επενδυτές να μην μπορούν να επ ιτυγχάνουν συστηματικά υπερβάλλουσες αποδόσεις. Παραδοσιακά, για σκοπούς πρόβλεψης χρησιμοποιούνται οικονομε τρικά μοντέλα χρονοσειρών, όπως το μ οντέλο Αυτοπαλίνδρομου Ολοκληρωμένου Κινητού Μέσου Όρου (Autoregressive Integrated Moving Average – ARIMA). Ωστόσο, δεδομένου ότι τα χρηματοοικο νομικά δεδομένα συχνά παρουσιάζουν τ ο φαινόμενο της συσσώρευσης της μετα βλητότητας (volatility clustering), εφαρμόζονται συχνά επεκτάσεις όπως τ α μοντέλα ARIMA-GARCH για την καλύτε ρη αποτύπωση της δυναμικής της αγορά ς. Παράλληλα, τα τελευταία χρόνια τε χνικές μηχανικής μάθησης εφαρμόζοντα ι ολοένα και περισσότερο στην πρόβλε ψη χρηματοοικονομικών δεδομένων. Ιδι αίτερα, ο αλγόριθμος Extreme Gradien t Boosting (XGBoost) έχει αναδειχθεί σε ένα ισχυρό εργαλείο πρόβλεψης, λ όγω της ικανότητάς του να διαχειρίζε ται μη γραμμικές σχέσεις και χώρους χαρακτηριστικών υψηλών διαστάσεων. \ n Παρακινούμενη από τις  παραπάνω εξ ελίξεις, η παρούσα διπλωματική εργασ ία αξιολογεί την ακρίβεια πρόβλεψης των μοντέλων ARIMA, ARIMA-GARCH και XGBoost χρησιμοποιώντας δεδομένα μετ οχών πέντε μεγάλων αμερικανικών εται ρειών, οι οποίες αντιπροσωπεύουν δια φορετικούς τομείς της οικονομίας. Συ γκεκριμένα, εξετάζονται μετοχές των εταιρείων Apple Inc. (AAPL), Microso ft Corp. (MSFT), Exxon Mobil Corp. ( XOM), JPMorgan Chase & Co. (JPM) , και The Coca-Cola Company (KO). Οι προβλέψεις των ημερήσιων λογαριθμικ ών αποδόσεων πραγματοποιούνται με τη χρήση ενός πλαισίου κυλιόμενης πρόβ λεψης ενός βήματος ώστε να προσομοιω θούν ρεαλιστικές συνθήκες πρόβλεψης εκτός δείγματος, ενώ η ακρίβεια των μοντέλων αξιολογείται με τη χρήση με τρικών ακρίβειας πρόβλεψης. Τα αποτε λέσματα δείχνουν ότι η ακρίβεια πρόβ λεψης εξαρτάται τόσο από τα χαρακτηρ ιστικά των μετοχών που περιλαμβάνοντ αι στο υπό εξέταση χαρτοφυλάκιο όσο και από τις προδιαγραφές του εκάστοτ ε μοντέλου. Παρότι το μοντέλο ARIMA είναι ικανό να αποτυπώσει γραμμικές σχέσεις, το υβριδικό μοντέλο ARIMA–G ARCH αποτελεί απαραίτητη επέκταση το υ βασικού μοντέλου ARIMA, καθώς επιτ ρέπει τη βελτίωση των προβλέψεων λαμ βάνοντας υπόψη και το φαινόμενο της συσσώρευσης μεταβλητότητας. Τέλος, τ ο μοντέλο XGBoost επιτυγχάνει ελαφρώ ς υψηλότερη ακρίβεια στις προβλέψεις του σε σύγκριση με τα υπόλοιπα μοντ έλα, ιδιαίτερα όταν το σύνολο χαρακτ ηριστικών ιδιοτήτων εμπλουτίζεται με  πρόσθετα χαρακτηριστικά (engineere d features) και εξωτερικούς δείκτες της αγοράς. Ωστόσο, τα κέρδη ως προς την ακρίβεια πρόβλεψης παραμένουν ο ριακά σε σύγκριση με το μοντέλο αναφ οράς του τυχαίου περιπάτου (random w alk). Τα αποτελέσματα δείχνουν ότι, παρότι το μοντέλο μηχανικής μάθησης μπορεί να προσφέρει μια ελάχιστα αυξ ημένη προβλεπτική ικανότητα, η συνολ ική συμπεριφορά των αποδόσεων των με τοχών παραμένει συμβατή με την Υπόθε ση της Αποτελεσματικής Αγοράς.\n Abs tract \n Financial markets have trad itionally been perceived as one of t he major indicators of economic acti vity, with the equity markets attrac ting particular attention, as stock prices reflect the market value of a company, its expected future profit ability, growth potential, and risk, as well as broader economic conditi ons. Therefore, forecasting stock pr ices and returns is considered one o f the most important challenges in t oday's financial economics. Accordin g to the Efficient Market Hypothesis (Fama 1970), financial markets are informationally efficient, implying that asset prices fully reflect all publicly available information; this means that investors cannot systema tically generate abnormal profits. T raditionally, econometric time serie s models, such as the Autoregressive Integrated Moving Average (ARIMA) m odel, are used for forecasting purpo ses. However, considering that finan cial data often exhibit volatility c lustering, extensions such as ARIMA– GARCH models are frequently applied to better capture market dynamics. F urthermore, in recent years, machine learning techniques have also been increasingly applied in financial fo recasting. In particular, Extreme Gr adient Boosting (XGBoost) has emerge d as a powerful predictive tool, owi ng to its ability to handle non-line ar relationships and high-dimensiona l feature spaces. \n Motivated by th ese developments, this dissertation evaluates the forecasting performanc e of ARIMA, ARIMA–GARCH, and XGBoost models, using daily stock data from five major U.S. corporations repres enting various sectors of the econom y: Apple Inc. (AAPL), Microsoft Corp . (MSFT), Exxon Mobil Corp. (XOM), J PMorgan Chase & Co. (JPM), and T he Coca-Cola Company (KO). Forecasts of daily log-returns are generated using a rolling one-step-ahead frame work to simulate realistic out-of-sa mple prediction conditions, and mode l performance is evaluated using sta ndard forecasting accuracy metrics. The results indicate that predictive accuracy depends on the characteris tics of the assets included in the p ortfolio and the specifications used in the model. Although the ARIMA mo del can capture linear relationships , the ARIMA-GARCH hybrid model is a necessary extension of the baseline ARIMA model, which can provide enhan ced predictions by also accounting f or volatility clustering. Finally, t he XGBoost model provides slightly h igher predictive accuracy compared t o the other models, especially if th e feature set is enriched with engin eered variables and external market indicators. However, the predictive accuracy gains are marginal compared to the random walk model. Overall, the results indicate that even if th e machine learning model can provide some predictive accuracy, the overa ll behavior of the stocks is consist ent with the Efficient Market Hypoth esis.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260504T180000 DTEND:20260504T190000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260429T094852Z LAST-MODIFIED:20260429T094852Z DTSTAMP:20260612T231001Z UID:1781295000_8386@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Ανδρέα Λοπάτα - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8386&cHash=d772a809f213c8c 664b3f86cb22077c8\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ανδρέα Λοπάτα\n με θέμα\n Αλγόριθμοι Ομαδοποίησης γ ια την Βέλτιστη Τοποθέτηση Μικροϋπηρ εσιών στο Kubernetes \n Clustering A lgorithms for Optimal Microservices Scheduling in Kubernetes\n Εξεταστικ ή Επιτροπή\n Καθηγητής Ευριπίδης Πετ ράκης (επιβλέπων)\n Καθηγητής Γεώργι ος Χαλκιαδάκης\n Αναπληρωτής Καθηγητ ής Βασίλειος Σαμολαδάς\n Περίληψη\n Η ευρεία υιοθέτηση της αρχιτεκτονική ς μικροϋπηρεσιών στις σύγχρονες εφαρ μογές έχει οδηγήσει σε σημαντικές πρ οκλήσεις όσον αφορά τη διαχείριση κα ι την ενορχήστρωση αυτών των υπηρεσι ών. Το Kubernetes, ένα εργαλείο για την ενορχήστρωση containerized εφαρμ ογών, έχει καταστεί μια δημοφιλής επ ιλογή για τη διαχείριση μικροϋπηρεσι ών. Ένα Kubernetes cluster αποτελείτ αι από Nodes (VMs) που μπορούν να πε ριέχουν ένα ή περισσότερα pods. Κάθε pod μπορεί να περιέχει μία ή περισσ ότερες μικροϋπηρεσίες.\n Για την τοπ οθέτηση αυτών των pods στα Nodes, το Kubernetes χρησιμοποιεί έναν defaul t scheduler που λαμβάνει αποφάσεις μ ε βάση τα αιτήματα και τα όρια πόρων . Αυτή η default στρατηγική τοποθέτη σης είναι στατική και δεν λαμβάνει υ πόψη τις αλλαγές στο workload, γεγον ός που μπορεί να οδηγήσει σε μη βέλτ ιστες τοποθετήσεις. Πολλές στρατηγικ ές τοποθέτησης έχουν προταθεί για τη βελτιστοποίηση της τοποθέτησης των pods στο cluster, ωστόσο οι περισσότ ερες είναι στατικές και δεν προσαρμό ζονται στις μεταβολές του workload, οδηγώντας σε λύσεις που ενδέχεται να μην είναι βέλτιστες.\n Στην παρούσα εργασία προτείνουμε μια δυναμική στ ρατηγική τοποθέτησης που χρησιμοποιε ί έναν incremental density-based clu stering algorithm, προκειμένου να εν ημερώνει δυναμικά την τοποθέτηση των μικροϋπηρεσιών σε απόκριση στις αλλ αγές του workload.\n Για την αξιολόγ ηση της απόδοσης της προτεινόμενης a daptive στρατηγικής, τη συγκρίνουμε με μια στατική στρατηγική τοποθέτηση ς που χρησιμοποιεί τον ίδιο density- based clustering algorithm, αλλά χωρ ίς προσαρμογή στις μεταβολές του wor kload. Χρησιμοποιούνται δύο benchmar k εφαρμογές, το Google Online Boutiq ue (eShop) και το iXen, οι οποίες αν απτύσσονται σε ένα πραγματικό Kubern etes cluster στο GCP.\n Τα πειραματι κά αποτελέσματα δείχνουν ότι η δυναμ ική προσέγγιση μειώνει σημαντικά το εξερχόμενο traffic και βελτιώνει τον χρόνο απόκρισης σε σύγκριση με τη σ τατική προσέγγιση. Επιπλέον, η δυναμ ική μέθοδος τοποθέτησης επιτυγχάνει χαμηλότερο χρόνο εκτέλεσης και μειωμ ένη χρήση CPU, οδηγώντας σε μικρότερ ο υπολογιστικό κόστος σε σχέση με τη ν επανεκτέλεση της στατικής μεθόδου, καθιστώντας την κατάλληλη για real- time δυναμική τοποθέτηση μικροϋπηρεσ ιών.\n Abstract \n The widespread ad option of microservices-based archit ecture in modern applications has le d to significant challenges in manag ing and orchestrating these services effectively. Kubernetes, a tool for orchestrating containerized applica tions, has become a popular choice f or managing microservices. A Kuberne tes cluster consists of Nodes(VMs) t hat can host one or more pods. Each pod can contain one or more microser vices.\n To allocate these pods on t he Nodes, Kubernetes uses a default scheduler that makes placement decis ions based on resource requests and limits. This default placement strat egy is a static one and does not tak e into account the workload changes so it can lead to suboptimal placeme nts. Many placement strategies have been proposed to optimize the placem ent of the pods in the cluster, but most of them are static and do not a dapt to changing workloads leading t o placements that may not be optimal .\n In our work we propose an adapti ve placement strategy that uses an i ncremental density-based clustering algorithm to update the placement of microservices in response to worklo ad changes.\n To evaluate the perfor mance of our adaptive placement stra tegy, we compare it with a static pl acement strategy that uses the same clustering density-based algorithm b ut does not adapt to workload change s. Two benchmarks applications are u sed, Google’s Online Boutique eShop and iXen, which are deployed on a re al Kubernetes cluster in GCP. Experi mental results demonstrate that the adaptive clustering approach signifi cantly reduces egress traffic and im proves response time compared to the static approach. Furthermore, the a daptive placement method achieves lo wer execution time and CPU utilizati on leading to lower overhead cost, c ompared to rerunning the static plac ement method, making it suitable for real-time adaptive microservice pla cement.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260512T100000 DTEND:20260512T110000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260428T093101Z LAST-MODIFIED:20260428T093101Z DTSTAMP:20260612T231001Z UID:1781295000_8385@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Θωμά Λάγκαλη - Σχολή ΗΜΜΥ LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 141Π-36,1 41Π-37 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8385&cHash=2401f3012a0555f 0ff58ab5bca41d7c4\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Θωμά Λάγκαλη\n με θέμα\n Προστασία Ιδιωτικότητας σε Ομοσπονδιακή Μάθηση\n Privacy Prese rvation in Federated Learning\n Εξετ αστική Επιτροπή\n Καθηγητής Αθανάσιο ς Λιάβας (επιβλέπων)\n Καθηγητής Γεώ ργιος Καρυστινός\n Καθηγητής Θρασύβο υλος Σπυρόπουλος \n Περίληψη\n Η μηχ ανική μάθηση επιτυγχάνει πλέον κορυφ αία απόδοση σε ένα ευρύ φάσμα εφαρμο γών, ωστόσο η εκπαίδευση των μοντέλω ν βασίζεται συχνά σε μεγάλα σύνολα δ εδομένων που περιέχουν ευαίσθητες πλ ηροφορίες, δημιουργώντας σημαντικές προκλήσεις ως προς την προστασία της ιδιωτικότητας. Η Ομοσπονδιακή Μάθησ η (Federated Learning) έχει αναδειχθ εί ως μία κατανεμημένη αρχιτεκτονική εκπαίδευσης που μειώνει τον κίνδυνο αυτό, αποφεύγοντας τη συγκέντρωση τ ων ακατέργαστων δεδομένων σε κεντρικ ούς εξυπηρετητές.\n Παρ’ όλα αυτά, π ρόσφατες μελέτες έχουν δείξει ότι η διαρροή πληροφοριών παραμένει δυνατή τόσο σε κεντρικοποιημένα όσο και σε ομοσπονδιακά σενάρια εκπαίδευσης μέ σω επιθέσεων που επιχειρούν την ανακ ατασκευή δεδομένων εκπαίδευσης από τ α εκπαιδευμένα μοντέλα ή από τις παρ αγώγους.\n Η παρούσα διπλωματική εργ ασία διερευνά τη χρήση του πλαισίου της Διαφορικής Ιδιωτικότητας (Differ ential Privacy) ως μιας θεμελιωμένης μαθηματικά προσέγγισης για τον περι ορισμό της διαρροής πληροφορίας. Η Δ ιαφορική Ιδιωτικότητα παρέχει θεωρητ ικές εγγυήσεις προστασίας περιορίζον τας την επίδραση κάθε μεμονωμένης εγ γραφής του συνόλου εισόδου στα αποτε λέσματα του αλγορίθμου μέσω της προσ θήκης κατάλληλου θορύβου, εισάγοντας έναν αναπόφευκτο συμβιβασμό μεταξύ ιδιωτικότητας και απόδοσης του μοντέ λου.\n Στο πλαίσιο της εργασίας πραγ ματοποιείται θεωρητική και πειραματι κή μελέτη μηχανισμών διαφορικά ιδιωτ ικής εκπαίδευσης τόσο σε κλασικά μον τέλα μηχανικής μάθησης όσο και σε σε νάρια Ομοσπονδιακής Μάθησης. Συγκεκρ ιμένα, εξετάζονται τεχνικές perturba tion εξόδου (output perturbation), p erturbation αντικειμενικής συνάρτηση ς (objective perturbation) και pertu rbation παραγώγων (gradient perturba tion) στο πλαίσιο μοντέλων softmax r egression, ενώ σε περιβάλλον Ομοσπον διακής Μάθησης αξιολογούνται διαφορι κά ιδιωτικοί μηχανισμοί βασισμένοι σ το perturbation παραγώγων. Οι κίνδυν οι διαρροής αξιολογούνται μέσω επιθέ σεων Model Inversion σε μοντέλα soft max regression και επιθέσεων Deep Le akage from Gradients (DLG και iDLG) σε ομοσπονδιακά σχήματα εκπαίδευσης, χρησιμοποιώντας σύνολα δεδομένων ει κόνων όπως τα MNIST και CIFAR-10.\n Τα πειραματικά αποτελέσματα παρέχουν μια αναλυτική αξιολόγηση του συμβιβ ασμού μεταξύ ιδιωτικότητας και απόδο σης για διαφορετικές τιμές του προϋπ ολογισμού ιδιωτικότητας (privacy bud get) και διαφορετικές ρυθμίσεις εκπα ίδευσης, αναδεικνύοντας τον τρόπο με τον οποίο η Διαφορική Ιδιωτικότητα περιορίζει την επιτυχία επιθέσεων αν ακατασκευής, επηρεάζοντας παράλληλα την ακρίβεια και τη ταχύτητα σύγκλισ ης των μοντέλων. Συνολικά, η εργασία προσφέρει μια ολοκληρωμένη θεωρητικ ή και πειραματική ανάλυση της προστα σίας ιδιωτικότητας στη μηχανική μάθη ση και στην Ομοσπονδιακή Μάθηση υπό εγγυήσεις Διαφορικής Ιδιωτικότητας, συμβάλλοντας στην κατανόηση της ασφα λούς ανάπτυξης κατανεμημένων συστημά των μάθησης.\n Abstract \n Machine l earning models achieve state-of-the- art performance across a wide range of applications, but their reliance on large datasets containing sensiti ve personal information raises signi ficant privacy concerns. Federated L earning has emerged as a distributed training paradigm that mitigates so me of these risks by avoiding the ce ntralization of raw data. However, r ecent studies have demonstrated that privacy leakage remains possible in both centralized and federated sett ings through inference attacks that reconstruct information about the tr aining data from trained models or e xchanged gradients.\n This thesis in vestigates the use of Differential P rivacy as a framework for limiting i nformation leakage during the traini ng process. Differential Privacy pro vides formal guarantees by bounding the influence of individual training records through the introduction of carefully calibrated noise, leading to a fundamental trade-off between model privacy and utility. We presen t a theoretical and experimental stu dy of differentially private learnin g mechanisms in both standard machin e learning and federated learning en vironments. In particular, (1) outpu t perturbation, objective perturbati on, and gradient perturbation techni ques are analyzed in the context of softmax regression models, and (2) d ifferentially private gradient-based mechanisms are evaluated within Fed erated Learning. Privacy risks are a ssessed using Model Inversion attack s against softmax regression models and Deep Leakage from Gradients (DLG and iDLG) attacks against federated learning schemes on image datasets such as MNIST and CIFAR-10.\n The ex perimental results provide a detaile d evaluation of the privacy–utility trade-off under different privacy bu dgets and training configurations, d emonstrating how Differential Privac y mitigates reconstruction attacks w hile affecting model accuracy and co nvergence. Overall, this thesis pres ents a comprehensive theoretical and empirical analysis of privacy-prese rving machine learning and federated learning under Differential Privacy guarantees, providing practical ins ight into the deployment of secure d istributed learning systems. \n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260430T120000 DTEND:20260430T130000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260421T140652Z LAST-MODIFIED:20260421T140652Z DTSTAMP:20260612T231001Z UID:1781295000_8380@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Μαρίας Νικολούδη - Σχολή ΗΜΜΥ LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 141Π-36,1 41Π-37 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8380&cHash=c6ff49694409fb2 acd6f25d039311233\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Μαρίας Νικολούδ η\n με θέμα\n Διατήρηση Απορρήτου σε Ομοσπονδιακή Μάθηση \n Privacy Pres ervation in Federated Learning\n Εξε ταστική Επιτροπή\n Καθηγητής Αθανάσι ος Λιάβας (Επιβλέπων)\n Καθηγητής Γε ώργιος Καρυστινός\n Καθηγητής Μηχαήλ Λαγουδάκης\n Περίληψη\n Η διαδεδομέ νη χρήση τεχνικών μηχανικής μάθησης σε διάφορους τομείς έχει εγείρει σοβ αρές ανησυχίες σχετικά με την ιδιωτι κότητα των χρηστών. Η Ομοσπονδιακή Μ άθηση έχει αναδειχθεί ως λύση, καθώς επιτρέπει την εκπαίδευση των νευρων ικών δικτύων μέσω παραλλαγών του αλγ ορίθμου Stochastic Gradient Descent και του διαμοιρασμού ενημερώσεων μον τέλων χωρίς να εκθέτει τα πρωτογενή δεδομένα. Ωστόσο, πρόσφατες μελέτες επισημαίνουν την δυνατότητα απειλής για την ασφάλεια των χρηστών που προ κύπτει από επιθέσεις που μπορούν να ανακατασκευάσουν δεδομένα αντιστρέφο ντας τις διαμοιραζόμενες κλίσεις (gr adients). Η παρούσα διπλωματική εργα σία εξετάζει τις πιθανές απειλές αξι ολογώντας διεξοδικά τις σύγχρονες επ ιθέσεις αντιστροφής κλίσης και προτε ίνοντας έναν πιθανό μηχανισμό άμυνας για τον περιορισμό των κινδύνων.\n Η αξιολόγηση επιτυγχάνεται χρησιμοπο ιώντας διάφορα μοντέλα νευρωνικών δι κτύων εκπαιδευμένα στο σύνολο δεδομέ νων MNIST. Οι επιθέσεις διεξάγονται σε διάφορα στάδια της εκπαίδευσης κα ι η αποτελεσματικότητά τους ποσοτικο ποιείται συγκρίνοντας τις ανακατασκε υασμένες εικόνες με τις πρωτότυπες, χρησιμοποιώντας καθιερωμένες μετρικέ ς. Επιπλέον, παρουσιάζεται μία νέα π αραλλαγή της αρχικής επίθεσης {Deep Leakage from Gradients, που ονομάζετ αι Normalized Deep Leakage from Grad ients και βελτιώνει σημαντικά την πο ιότητα της ανακατασκευής των εικόνων . Τα πειραματικά αποτελέσματα καταδε ικνύουν ότι ο διαμοιρασμός των κλίσε ων θέτει σε κίνδυνο την ιδιωτικότητα των χρηστών, ενώ παράλληλα αναδεικν ύουν την άμεση εξάρτηση της αποτελεσ ματικόητας των επιθέσεων από την αρχ ιτεκτονική πολυπλοκότητα των νευρωνι κών δικτύων, το μέγεθος του batch πο υ χρησιμοποιείται και το στάδιο της εκπαίδευσης.\n Ο προτεινόμενος μηχαν ισμός άμυνας είναι εμπνευσμένος από τη διαφορική ιδιωτικότητα (Different ial Privacy) και περιλαμβάνει την πρ οσθήκη γκαουσιανού θορύβου ανάλογου του μέτρου της κλίσης. Ο μηχανισμός έχει σχεδιαστεί ώστε να ελαχιστοποιε ί τη διαρροή πληροφορίας χωρίς να επ ηρεάζει σημαντικά την απόδοση της εκ παίδευσης. Τα πειραματικά αποτελέσμα τα δείχνουν ότι ο συνδυασμός πολύπλο κων αρχιτεκτονικών με μεγαλύτερα μεγ έθη batch, συμβάλλει σημαντικά στη δ ιατήρηση του απορρήτου των χρηστών μ ε ελάχιστη επίδραση στην απόδοση του μοντέλου. \n Εν κατακλείδι, η εργασ ία αυτή παρέχει μία ολοκληρωμένη ανά λυση των πιθανών κινδύνων για την ιδ ιωτικότητα των χρηστών που προκύπτου ν από τον διαμοιρασμό των κλίσεων. Π ροσδιορίζοντας τόσο τις δυνατότητες όσο και τους περιορισμούς των επιθέσ εων, σε συνδυασμό με την πρόταση ενό ς αμυντικού μηχανισμού, αναδεικνύοντ αι τρόποι με τους οποίους μπορεί να ενισχυθεί η ιδιωτικότητα των χρηστών . Τα ευρήματα αυτής της εργασίας όχι μόνο αναγνωρίζουν τους πιθανούς κιν δύνους για την ιδιωτικότητα αλλά χτί ζουν και τα θεμέλια για μελλοντική έ ρευνα προς πιο ασφαλή συστήματα. \n Abstract \n The widespread adoption of machine learning techniques in va rious fields has raised serious conc erns regarding the user data privacy . Federated Learning has emerged as a solution, since it enables trainin g neural networks by sharing model u pdates without exposing raw user dat a. However, recent studies have high lighted potential vulnerabilities, i ntroduced by gradient inversion atta cks, demonstrating data reconstructi on from shared gradients. This thesi s studies this topic by comprehensiv ely evaluating state-of-the-art grad ient inversion attacks and testing a potential defense mechanism to miti gate the risks.\n The evaluation is conducted using multiple neural netw ork models trained on the MNIST data set. The attacks are launched during different stages of training and th eir effectiveness is quantified by c omparing reconstructed images with o riginal ones using established simil arity metrics. Furthermore, a varian t of the original Deep Leakage from Gradients is introduced, termed Norm alized Deep Leakage from Gradients, which significantly improves the rec onstruction quality. Experimental re sults reveal substantial information leakage from gradients, while also demonstrating that attack performanc e is heavily influenced by the model 's architectural complexity, batch s ize and training stage. \n The propo sed defense mechanism is inspired by differential privacy and involves i njecting Gaussian noise proportional to the gradient norm. The defense i s designed to minimize the informati on leakage while preserving the trai ning dynamics. Experimental results indicate that when combined with  mo re complex model architectures and l arger batch sizes, the user privacy is preserved with a minimal impact o n the model performance. \n In concl usion, this thesis provides a compre hensive study of potential privacy v ulnerabilities arising from gradient sharing. Identifying both the stren gths and limitations of gradient inv ersion attacks, alongside with a pro posed defense mechanism, this work p rovides insight for preserving user privacy. The findings not only highl ight the privacy risks, but also bui ld a foundation for future research toward more robust systems. \n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260422T140000 DTEND:20260422T150000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260420T124007Z LAST-MODIFIED:20260420T124007Z DTSTAMP:20260612T231001Z UID:1781295000_8378@tuc.gr SUMMARY:Presentation of the Research Work Er asmus+ (practice) by Erasmus+ MSc st udent Piergiorgio Ferraro LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 137Π-39,- 38 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8378&cHash=e14e16f12fb4de3 9dcd71b983664c8f9\nTECHNICAL UNIVERS ITY OF CRETE\n School of Electrical and Computer Engineering \n Postgrad uate Program\n Presentation of  the Research Work Erasmus+ (practice)\n by Erasmus+ MSc student Piergiorgio Ferraro titled:\n Generalized Quantu m Walks: Randomness and Fock-state L attices\n Supervisor\n Professor ret . Dimosthenis Ellinas \n Abstract \n We first propose a framework that b ridges the definitions of discrete-t ime and continuous-time quantum walk s on the line, which we call here ti me-parametrized quantum walk. In thi s context, we investigate the conseq uences of decreasing the time step i n different scenarios, among others the usual unitary evolution, but als o a stochastic one with the introduc tion of decoherence. We introduce an other generalization by defining qua ntum walks on Fock-state lattices (F SLs). Using the setup and the proper ties discussed for time-parameterize d quantum walk on the line, we inves tigate the dynamics of quantum walks on FSLs, again via unitary and stoc hastic evolution.\n  \n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260421T120000 DTEND:20260421T130000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260420T093507Z LAST-MODIFIED:20260420T093507Z DTSTAMP:20260612T231001Z UID:1781295000_8376@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Μιχαήλ - Μάριου Χανιώτη - Σχολή ΗΜΜΥ LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 141Π-36,1 41Π-37 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8376&cHash=4212c5e928a6a4a fc631fc1d8e84430d\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Μιχαήλ - Μάριου Χανιώτη\n με θέμα\n Αναλυτική Μοντε λοποίηση Σύγχρονης Γεννήτριας Μονίμω ν Μαγνητών υπό Υγιή και Εσφαλμένη Λε ιτουργία με την Μέθοδο των Μαγνητικώ ν Κυκλωμάτων\n Analytical Modeling o f Synchronous Permanent Magnet Gener ator under Healthy and Faulty Operat ion via Magnetic Equivalent Circuits \n Εξεταστική Επιτροπή\n Καθηγητής Κ ωσταντίνος Γυφτάκης (επιβλέπων)\n Επ ίκουρος Καθηγητής Γεώργιος Πέππας\n Δρ Ελευθερία Σεργάκη (ΕΔΙΠ)\n Περίλη ψη\n Καθώς η παγκόσμια ζήτηση για εν έργεια συνεχίζει να αυξάνεται, η ανά πτυξη τεχνολογιών παραγωγής ηλεκτρικ ής ισχύος υψηλής απόδοσης και αξιοπι στίας κρίνεται εξαιρετικά κρίσιμη. Ο ι Μηχανές Μόνιμου Μαγνήτη (PMMs) απο τελούν μια κορυφαία λύση λόγω της αν ώτερης απόδοσης και του συμπαγούς σχ εδιασμού τους. Ωστόσο, το υψηλό κόστ ος των μαγνητών σπάνιων γαιών και ο κίνδυνος λειτουργικών σφαλμάτων καθι στούν αναγκαία την ανάπτυξη ακριβών και χρονικά αποδοτικών προγνωστικών μοντέλων για τη βελτιστοποίηση της α πόδοσης και τη διασφάλιση της αξιοπι στίας.\n Η παρούσα διπλωματική εργασ ία παρουσιάζει ένα γενικευμένο αναλυ τικό πλαίσιο για τη μοντελοποίηση κα ι την ανάλυση των Μηχανών Μόνιμου Μα γνήτη με βάση τη μέθοδο των Μαγνητικ ών Ισοδύναμων Κυκλωμάτων (MEC). Η πρ οτεινόμενη προσέγγιση αναπαριστά την ηλεκτρομαγνητική γεωμετρία της μηχα νής ως ένα δίκτυο μαγνητικών αντιδρά σεων (reluctances) και πηγών μαγνητο κινητικής δύναμης, αποτυπώνοντας την κατανομή της μαγνητικής ροής και τι ς μη γραμμικότητες των υλικών με υψη λή ακρίβεια.\n Η αποτελεσματικότητα αυτής της μεθοδολογίας επικυρώνεται μέσω μιας ολοκληρωμένης σύγκρισης με τη Μέθοδο Πεπερασμένων Στοιχείων (F EA) και εναλλακτικές αναλυτικές μεθό δους. Τα αποτελέσματα υπογραμμίζουν την ικανότητα της προσέγγισης MEC να παρέχει αξιόπιστες προβλέψεις απόδο σης με σημαντικά μειωμένη υπολογιστι κή προσπάθεια σε σύγκριση με τις αρι θμητικές τεχνικές. Αυτά τα ευρήματα αποδεικνύουν ότι το προτεινόμενο μον τέλο αποτελεί ένα πολύτιμο εργαλείο για τη βελτιστοποίηση του σχεδιασμού σε αρχικό στάδιο, την παραμετρική α νάλυση και την ανάπτυξη προηγμένων σ υστημάτων παρακολούθησης κατάστασης (condition monitoring) για τις σύγχρ ονες ηλεκτρικές μηχανές.\n Abstract  \n As global energy demand continues to rise, the development of highly efficient and reliable electrical po wer generation technologies is criti cal. Permanent Magnet Machines (PMMs ) represent a leading solution due t o their superior efficiency and comp act design. However, the high cost o f rare-earth magnets and the risk of operational faults necessitate the development of accurate, time-effici ent predictive models to optimize pe rformance and ensure reliability. \n This thesis presents a generalized analytical framework for the modelin g and analysis of PMMs based on the Magnetic Equivalent Circuit (MEC) me thod. The proposed approach represen ts the machine's electromagnetic geo metry as a network of reluctances an d magnetomotive force sources, captu ring magnetic flux distribution and material non-linearities with high p recision. \n The effectiveness of th is methodology is validated through a comprehensive comparison with Fini te Element Analysis (FEA) and altern ative analytical methods. The result s highlight the capability of the ME C approach to provide reliable perfo rmance predictions with significantl y reduced computational effort compa red to numerical techniques. These f indings demonstrate that the propose d model is a valuable tool for early -stage design optimization, parametr ic analysis, and the development of advanced condition monitoring system s for modern electrical machines.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260430T090000 DTEND:20260430T100000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260407T145926Z LAST-MODIFIED:20260407T145926Z DTSTAMP:20260612T231001Z UID:1781295000_8372@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Θωμά Σαμούτη - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8372&cHash=9723f020e477eab dd7dcbbc2a95d517f\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Θωμά Σαμούτη\n με θέμα\n Δυναμική τοποθέτηση Μικρου πηρεσιών στο Kubernetes\n Dynamic Sc heduling of Microservices in Kuberne tes\n Εξεταστική Επιτροπή\n Καθηγητή ς Ευριπίδης Πετράκης (επιβλέπων)\n Κ αθηγητής Μιχαήλ Λαγουδάκης\n Αναπληρ ωτής Καθηγητής Βασίλειος Σαμολαδάς\n Περίληψη\n Η βιομηχανία ανάπτυξης λ ογισμικού εξελίσσεται συνεχώς. Η άνο δος του υπολογιστικού νέφους, η χρήσ η τεχνολογίας containers και οι αρχι τεκτονικές βασισμένες σε microservic es έχουν εισαγάγει νέες προκλήσεις γ ια τη βελτιστοποίηση της απόδοσης εφ αρμογών και της μείωσης του λειτουργ ικού κόστους.\n Το Kubernetes έχει κ αθιερωθεί ως το πρότυπο για τη διαχε ίριση και ενορχήστρωση εφαρμογών που εκτελούνται σε containers, σε περιβ άλλοντα υπολογιστικού νέφους. Ένας K ubernetes cluster επιτρέπει την ανάπ τυξη εφαρμογών βασισμένων σε microse rvices σε πολλούς virtual machines, ενω διαχειρίζεται παράλληλα την επικ οινωνία μεταξύ των διαφόρων virtual machines.\n Ωστόσο, ο προεπιλεγμένος scheduler του Kubernetes βασίζεται κυρίως σε στατικά κριτήρια. Αυτό μπο ρεί να οδηγήσει σε μη βέλτιστες τοπο θετήσεις υπηρεσιών που δεν λαμβάνουν υπόψη τα μοτίβα επικοινωνίας μεταξύ τους. Επιπλέον, οι πάροχοι υπολογισ τικού νέφους χρεώνουν βάσει του όγκο υ των δεσμευμένων πόρων, ακόμα και α ν αυτοί δεν αξιοποιούνται πλήρως. Η αύξηση της εξερχόμενης κίνησης δικτύ ου μπορεί επίσης να καταστήσει τις μ η βέλτιστες τοποθετήσεις ιδιαίτερα δ απανηρές. Επιπροσθέτως, η εφαρμογή σ τρατηγικών τοποθέτησης υπηρεσιών που λαμβάνουν υπόψη μόνο την αρχική τοπ οθέτηση της εφαρμογής μπορεί να έχει σημαντικά αποτελέσματα στην απόδοση και το κόστος, εφόσον ο φόρτος εργα σίας παραμένει σταθερός. Όμως οι σύγ χρονοι φόρτοι εργασίας είναι εξαιρετ ικά δυναμικοί, με μοτίβα χρήσης που μπορούν να μεταβάλλονται ταχύτατα, κ αθιστώντας τις στατικές στρατηγικές τοποθέτησης λιγότερο αποτελεσματικές .\n Στην παρούσα Διπλωματική Εργασία , εστιάσαμε στην αξιολόγηση δυναμικώ ν στρατηγικών τοποθέτησης οι οποίες προσαρμόζονται στις μεταβολές του φό ρτου εργασίας, με στόχο τη βελτιστοπ οίηση της απόδοσης εφαρμογών και τη μείωση του κόστους σε περιβάλλον Kub ernetes. Αναπτύξαμε δύο εφαρμογές αξ ιολόγησης επιδόσεων (benchmarking) σ ε έναν Kubernetes cluster που φιλοξε νείται στην πλατφόρμα Google Cloud P latform. Υλοποιήσαμε ένα εργαλείο λή ψης αποφάσεων που παρακολουθεί συνεχ ώς τον φόρτο εργασίας για μεταβολές και, μέσω του αλγορίθμου Twin-compar ison, προσδιορίζει εάν η επιλεγμένη στρατηγική τοποθέτησης χρειάζεται να επανεφαρμοστεί. Για την αξιολόγηση της απόδοσης των δυναμικών στρατηγικ ών τοποθέτησης, προσαρμόσαμε τους πρ οεπιλεγμένους φόρτους εργασίας των ε φαρμογών αξιολόγησης ώστε να παρουσι άζουν υψηλή μεταβλητότητα.\n Αξιολογ ήσαμε τρεις διαφορετικούς αλγορίθμου ς τοποθέτησης και συγκρίναμε την από δοση και την οικονομική τους αποδοτι κότητα σε σύγκριση με τον προεπιλεγμ ένο scheduler του Kubernetes, καθώς και με σενάρια χωρίς επανατοποθέτηση . Τα πειραματικά αποτελέσματα δείχνο υν ότι οι δυναμικές στρατηγικές τοπο θέτησης μπορούν να βελτιώσουν σημαντ ικά την απόδοση εφαρμογών και να μει ώσουν το κόστος σε περιβάλλον Kubern etes. Επιπλέον, καταδεικνύουμε ότι η αποτελεσματικότητα των δυναμικών στ ρατηγικών τοποθέτησης εξαρτάται από τα συγκεκριμένα χαρακτηριστικά του φ όρτου εργασίας. Σε περίπτωση στατικώ ν φόρτων εργασίας, η εφάπαξ βελτιστο ποίηση τοποθέτησης μπορεί να αποδειχ θεί επαρκής, ενώ σε εξαιρετικά δυναμ ικούς φόρτους εργασίας, η απουσία πρ οσαρμογής στις μεταβολές μπορεί να έ χει σημαντικές αρνητικές συνέπειες.\ n Abstract \n The software developme nt industry is evolving. The rise of cloud computing, containerization, and microservices-based architecture s has introduced new challenges when optimizing application performance and operational costs.\n Kubernetes has become the industry standard for orchestrating containerized applica tions in cloud environments. A Kuber netes cluster allows deploying micro services-based applications across m ultiple hosts (VMs) while managing c ommunication between the various VMs . \n However, the default Kubernetes scheduler relies primarily on stati c criteria. This can lead to sub-opt imal placements that do not take int o account the communication patterns between services. Moreover, cloud p roviders charge based on the amount of used resources even if they are n ot fully utilized. Also, the increas e in outbound network traffic can al so make non optimal placements costl y. Furthermore, applying service pla cement strategies that only consider the initial deployment of the appli cation can have significant results on application performance and cost if the workload remains constant.  B ut todays workloads are highly dynam ic, with traffic patterns that can c hange rapidly, making static placeme nt strategies less effective.\n In t his Thesis, we focused on the evalua tion of dynamic placement strategies which adapt to workload changes in order to optimize application perfor mance and cost in a Kubernetes envir onment. We have deployed two benchma rking applications in a Kubernetes c luster hosted in the Google Cloud Pl atform. We have implemented a decisi on making tool that continuously mon itors workload for changes and by us ing the Twin-comparison algorithm de termines if the selected placement s trategy needs to be reapplied. To ev aluate the performance of dynamic pl acement strategies, we have adapted the default workloads of the benchma rking applications to be highly vola tile.\n We evaluated three different placement algorithms and compared t heir performance and cost-effectiven ess with the default Kubernetes sche duler, as well as against scenarios without any re-placement. The experi mental results show that dynamic pla cement strategies can significantly improve application performance and reduce costs in a Kubernetes environ ment. Additionally, we show that the effectiveness of dynamic placement strategies depends on the specific w orkload characteristics. In case of static workloads, the one-time place ment optimization can be sufficient, while in highly dynamic workloads c an have significant drawbacks if not adapted to workload changes. \n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260424T100000 DTEND:20260424T110000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260401T080243Z LAST-MODIFIED:20260401T080243Z DTSTAMP:20260612T231001Z UID:1781295000_8369@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Αναστασίου Γεωργίου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8369&cHash=31654c28fdd5f65 de238f3ab201963e7\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Αναστασίου Γεωρ γίου\n με θέμα\n Αξιολόγηση και Μοντ ελοποίηση Τεχνολογίας SiC MOSFET για Εφαρμογές σε Υψηλές Θερμοκρασίες\n Evaluation and Modeling of SiC MOSFE T Τechnology for High Temperature Ap plications\n Εξεταστική Επιτροπή\n Κ αθηγητής Ματτίας Μπούχερ (επιβλέπων) \n Καθηγητής Κωνσταντίνος Γυφτάκης\n Επίκουρος Καθηγητής Γεώργιος Πέππας \n Περίληψη\n Τα τελευταία χρόνια, ο ι διατάξεις βασισμένες σε ημιαγωγούς ευρέος ενεργειακού χάσματος (wide b andgap semiconductors) όπως το 4H-Si C, χρησιμοποιούνται ολοένα και περισ σότερο σε εφαρμογές ισχύος και υψηλή ς ϑερμοκρασίας, λόγω του μεγάλου ενε ργειακού χάσματος, της αντοχής σε υψ ηλά ηλεκτρικά πεδία και της βελτιωμέ νης ϑερμικής τους συμπεριφοράς σε σύ γκριση με το πυρίτιο.\n Στο πλαίσιο αυτό, η παρούσα διπλωματική εργασία επικεντρώνεται στην αξιολόγηση και μ οντελοποίηση MOSFET τεχνολογίας 2μm 4H-SiC για λειτουργία σε αυξημένες ϑ ερμοκρασίες. Τα υπό μελέτη δείγματα προέρχονται από το Γερμανικό Ερευνητ ικό Ινστιτούτο Fraunhofer IISB, ενώ οι ηλεκτρικές μετρήσεις πραγματοποιή θηκαν στο εργαστήριο σε ϑερμοκρασιακ ό εύρος από 25 ⁰C έως 150 ⁰C.\n Η ερ γασία βασίζεται στο μοντέλο EKV για την περιγραφή της λειτουργίας των δι ατάξεων με έμφαση στη ϑερμοκρασιακή εξάρτηση βασικών φυσικών παραμέτρων και στη βελτίωση της περιγραφής της συμπεριφοράς του καναλιού. Πραγματοπ οιείται εξαγωγή παραμέτρων από μετρή σεις C–V και I–V, ενώ το Low-Field M obility εξάγεται προκειμένου να μελε τηθεί η μεταβολή της κινητικότητας μ ε την αύξηση της ϑερμοκρασίας και να αξιολογηθεί η επίδραση ϑερμικών φαι νομένων στη λειτουργία των διατάξεων .\n Η ανάλυση αναδεικνύει διαφοροποί ηση στη νόθευση μεταξύ NMOS και PMOS διατάξεων με τις συσκευές PMOS να π αρουσιάζουν ενδείξεις Non-Uniform Do ping γεγονός που οδηγεί σε επέκταση του βασικού μοντέλου. Το προτεινόμεν ο μοντέλο επιτυγχάνει βελτιωμένη προ σέγγιση με τα πειραματικά δεδομένα κ αι συμβάλλει στην ακριβέστερη κατανό ηση της συμπεριφοράς των SiC MOSFET σε συνθήκες υψηλής ϑερμοκρασίας.\n A bstract \n In recent years, devices based on wide bandgap semiconductors , such as 4H-SiC have been increasin gly used in power and high-temperatu re applications due to their large b andgap, high electric field strength and improved thermal performance co mpared to silicon.\n In this context , the present diploma thesis focuses on the evaluation and modeling of 2 μm 4H-SiC MOSFET technology for oper ation at elevated temperatures. The devices under study were provided by the German Research Institute Fraun hofer IISB and the electrical measur ements were performed at the laborat ory over a temperature range from 25 ⁰C to 150 ⁰C.\n The work is based o n the EKV MOSFET model for describin g device operation with emphasis on the temperature dependence of key ph ysical parameters and on improving t he description of channel behavior. Parameter extraction is performed us ing C–V and I–V measurements, while the low-field mobility is extracted in order to study how mobility chang es with increasing temperature and t o evaluate the impact of thermal eff ects on device performance.\n The an alysis reveals differences in doping profiles between NMOS and PMOS devi ces with the PMOS devices showing cl ear indications of Non-Uniform Dopin g. This observation leads to an exte nsion of the basic model. The propos ed model achieves an improved fit wi th the experimental data and contrib utes to a more accurate understandin g of the behavior of SiC MOSFETs und er high-temperature operating condit ions.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260402T140000 DTEND:20260402T150000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260330T101339Z LAST-MODIFIED:20260330T101339Z DTSTAMP:20260612T231001Z UID:1781295000_8368@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Γεωργίου Ευαγγελόπουλου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8368&cHash=17b3e19285b3c0f e79201cbce5a9fa54\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Γεωργίου Ευαγγε λόπουλου\n με θέμα\n Διερεύνηση και Ανάπτυξη Αποτελεσματικού Federated L earning για την Πρόβλεψη της Ατμοσφα ιρικής Ρύπανσης\n Investigating and Developing Efficient Federated Learn ing for Air Pollution Prediction\n Ε ξεταστική Επιτροπή\n Αναπληρωτής Καθ ηγητής Βασίλειος Σαμολαδάς (επιβλέπω ν)\n Καθηγητής Γεώργιος Χαλκιαδάκης\ n Επίκουρος Καθηγητής Νικόλαος Γιατρ άκος\n     \n Περίληψη\n Η ατμοσφαιρ ική ρύπανση αποτελεί εδώ και καιρό σ ημαντική απειλή για τη δημόσια υγεία στην περιοχή της Δυτικής Μακεδονίας στην Ελλάδα, μια απειλή που αποδίδε ται στην εξόρυξη λιγνίτη και στα έντ ονα μολυσμένα αέρια που εκπέμπονται κατά την καύση του για την παραγωγή ηλεκτρικής ενέργειας. Ενώ οι σύγχρον ες συσκευές του Διαδικτύου των Πραγμ άτων (IoT) προσφέρουν δυνατότητες λε πτομερούς παρακολούθησης, οι συμβατι κές κεντρικοποιημένες προσεγγίσεις μ ηχανικής μάθησης που χρησιμοποιούντα ι για την πρόβλεψη της ποιότητας του αέρα αντιμετωπίζουν δυσκολίες όσον αφορά το απόρρητο των δεδομένων και σημαντικά ζητήματα εύρους ζώνης (ban dwidth) κατά την κλιμάκωση σε μεγάλε ς ποσότητες συλλεγόμενων δεδομένων.\ n Αυτή η διπλωματική εργασία προτείν ει και αξιολογεί ένα πλαίσιο Ομόσπον δης Μάθησης (Federated Learning - FL ) με προστασία του απορρήτου για την πρόβλεψη της συγκέντρωσης PM2.5 στη ν ατμόσφαιρα. Χρησιμοποιώντας μια αρ χιτεκτονική Long Short-Term Memory ( LSTM), το μοντέλο εκπαιδεύτηκε σε έξ ι διαφορετικούς σταθμούς ατμοσφαιρικ ών μετρήσεων που βρίσκονται στο Αμύν ταιο, τον Φιλώτα, την Κοιλάδα, την Κ άτω Κώμη, τα Πετρανά και την Ποντοκώ μη, χρησιμοποιώντας ιστορικά ωριαία δεδομένα που καλύπτουν την περίοδο 2 019-2025.\n Τα πειραματικά αποτελέσμ ατα δείχνουν ότι η προσέγγιση του ομ όσπονδου μοντέλου LSTM επιτυγχάνει Μ έσο Απόλυτο Σφάλμα (MAE) 1,75 μg/m³. Συγκρίνοντας το με την κεντρικοποιη μένη προσέγγιση (MAE 1,41 μg/m³), πα ρατηρούμε έναν συμβιβασμό (trade-off ) περίπου 0,34 μg/m³. Αν και ελαφρώς υψηλότερη, η απόδοση του μοντέλου π αραμένει συγκρίσιμη με το κεντρικοπο ιημένο «χρυσό πρότυπο» (MAE 1,41 μg/ m³). Επιπλέον, η σύγκριση του μοντέλ ου LSTM με τις αρχιτεκτονικές GRU κα ι SimpleRNN βοηθά στην επιβεβαίωση τ ου LSTM ως ανώτερου μοντέλου, καθώς παρέχει μεγαλύτερη σταθερότητα κατά τη διαδικασία ενσωμάτωσης (aggregati on) με τυπική απόκλιση 0,019.\n Όσον αφορά την αποδοτικότητα του δικτύου , η μελέτη διαπιστώνει ότι ενώ η Ομό σπονδη Μάθηση (FL) παρέχει ουδέτερο κόστος εύρους ζώνης για ωριαίες αναφ ορές, αποδίδει μια θεωρητική μείωση του εύρους ζώνης κατά 98,1% εάν μετα βαίναμε σε μετρήσεις επιπέδου λεπτού . Αυτά τα ευρήματα επιβεβαιώνουν ότι η Ομόσπονδη Μάθηση προσφέρει μια κλ ιμακώσιμη λύση, συμβατή με τους κανό νες απορρήτου, για την περιβαλλοντικ ή παρακολούθηση σε ετερογενείς βιομη χανικές περιοχές.\n Abstract \n Air pollution has long posed a major pub lic health threat in the region of W estern Macedonia in Greece, a threat that is attributed to lignite minin g and heavily polluted gases that ar e emitted during lignite burning to produce electricity. While modern In ternet of Things (IoT) devices offer granular monitoring capabilities, c onventional centralized machine lear ning approaches used for air quality prediction struggle with data priva cy and major bandwidth concerns when scaling to large amounts of collect ed data. \n This thesis proposes and evaluates a privacy preserving Fede rated Learning (FL) Framework for fo recasting PM2.5 concentration in the atmosphere. Making use of a Long Sh ort-Term Memory (LSTM) architecture, the model was trained across six di fferent atmospheric measuring statio ns located in Amyntaio, Filotas, Koi lada, Kato Komi, Petrana and Pontoko mi, using historical hourly data spa nning 2019-2025. \n Experimental res ults showcase that the Federated LST M model approach achieves a Mean Abs olute Error (MAE) of 1.75 μg/m³. Com paring that to the centralized appro ach (MAE 1.41 μg/m³) we observe a tr ade-off of approximately 0.34 μg/m³. While slightly higher, the model's performance remains comparable to th e centralized 'gold standard' (MAE 1 .41 μg/m³). Furthermore, comparing t he LSTM model against GRU and Simple RNN architectures helps us confirm L STM as the superior model as it prov ides more stability during the aggre gation process with a standard devia tion of 0.019.\n In terms of network efficiency, the study establishes t hat while FL provides neutral bandwi dth costs for hourly reporting, it y ields a theoretical bandwidth reduct ion of 98.1% if we were to switch to minute level measurements. These fi ndings confirm that Federated Learni ng offers a scalable, privacy-compli ant solution for environmental monit oring in heterogeneous industrial re gions.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260401T110000 DTEND:20260401T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260323T090208Z LAST-MODIFIED:20260323T090208Z DTSTAMP:20260612T231001Z UID:1781295000_8363@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Αθανασίου Πέγκου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8363&cHash=35c7ca01ed01e90 877149435f7ab96f9\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n ΑΘΑΝΑΣΙΟΥ ΠΕΓΚΟ Υ\n με θέμα\n Διερεύνηση Αναδιαμορφώ σιμων Λύσεων Προσανατολισμένων στο Υ λικό για την Ταυτόχρονη ή Σχεδόν Ταυ τόχρονη Εφαρμογή Επεκτάσιμων Contain er σε Υλικό\n Investigating Reconfig urable Hardware-Oriented Solutions f or the Concurrent or Near-Concurrent Implementation of hw-extended Conta iners\n Εξεταστική Επιτροπή\n Καθηγη τής Σωτήριος Ιωαννίδης (Επιβλέπων)\n Ομότιμος Καθηγητής Απόστολος Δόλλας \n Δρ. Κωνσταντίνος Γεωργόπουλος\n Π ερίληψη\n Το ARCHON είναι ένα client -server framework που υποστηρίζει ha rdware extended containers και τρέχε ι σε AMD Zynq UltraScale+ MPSoC ZCU1 02 πλακέτες. Επιτρέπει σε πολλαπλούς χρήστες να εκτελούν Linux container s με ανεξάρτητη πρόσβαση σε περιοχές της FPGA, ταυτόχρονα. Κάθε χρήστης μπορεί να φορτώσει το δικό του bitst ream στην περιοχή του, χρησιμοποιώντ ας την τεχνολογία Dynamic Function e Xchange, χωρίς να επηρεάζει τους υπό λοιπους χρήστες. Η επικοινωνία μεταξ ύ client και server προστατεύεται με mTLS, τα Dockerfiles μεταφέρονται κ ρυπτογραφημένα με AES-256-CBC και ο client υποστηρίζει TPM 2.0 για αποθή κευση των ιδιωτικών κλειδιών σε hard ware. Παρέχεται επίσης ένα δημόσιο c lient API για ενσωμάτωση με εφαρμογέ ς τρίτων. Το σύστημα αξιολογήθηκε υλ οποιώντας ένα demo με 4 χρήστες που εκτελούνταν ταυτόχρονα στην ίδια πλα τφόρμα. Τα αποτελέσματα επιβεβαίωσαν ότι η μερική επαναδιαμόρφωση του FP GA, η κρυπτογραφημένη μεταφορά αρχεί ων και η διαχείριση Linux containers λειτουργούν σωστά και ανεξάρτητα γι α κάθε χρήστη.\n Abstract \n ARCHON is a client-server framework that su pports hardware-extended containers and runs on AMD Zynq UltraScale+ MPS oC ZCU102 boards. It allows multiple users to execute Linux containers w ith independent access to FPGA regio ns, simultaneously. Each user can lo ad their bitstream in assigned FPGA region, using Dynamic Function eXcha nge technology, without affecting ot her users that use the FPGA. The com munication between client and server is protected using mTLS, Dockerfile s are transferred encrypted using AE S-256-CBC and the client supports TP M 2.0 for hardware storage of privat e keys. A public client API is also provided for third-party application integration. The system was evaluat ed with a demo of 4 users that use t he same platform simultaneously. The results confirm that for each user, the partial reconfiguration of FPGA , the encrypted file transfer and Li nux containers management, work corr ectly and independently.\n  \n  \n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260402T130000 DTEND:20260402T140000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260317T085611Z LAST-MODIFIED:20260317T085611Z DTSTAMP:20260612T231001Z UID:1781295000_8358@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Κωνσταντίνου Νικολού - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8358&cHash=dd553170c89b0ed fbaffac3969b35f3a\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Κωνσταντίνου Νι κολού\n με θέμα\n Βελτιστοποίηση Κατ ανεμημένων Βαθιών Νευρωνικών Δικτύων για Προβλήματα Ταξινόμησης\n Optimi zing Distributed Deep Neural Network s for Classification Problems\n Εξετ αστική Επιτροπή\n Καθηγητής Θρασύβου λος Σπυρόπουλος (επιβλέπων)\n Καθηγη τής Βασίλειος Διγαλάκης\n Καθηγητής Ευάγγελος Καλογεράκης\n Περίληψη\n Τ ο Διαδίκτυο των Πραγμάτων (ΙοΤ) ήδη αποτελείται από έναν ταχέως αναπτυσσ όμενο στόλο συσκευών διεσπαρμένων πα γκοσμίως. ΄Ενα μεγάλο μέρος αυτού το υ οικοσυστήματος αποτελείται από κάμ ερες CCTV και μονάδες ελέγχου κυκλοφ ορίας, παράγοντας μια ολοένα αυξανόμ ενη ροή δεδομένων. Μια μεμονωμένη κά μερα 4K παράγει έναν τεράστιο όγκο δ εδομένων καθημερινά που χρειάζεται ν α επεξεργαστεί και να ταξινομηθεί το πικά ή απομακρυσμένα, με τις δύο περ ιπτώσεις να ασκούν βαριά πίεση στην κατανομή εύρους ζώνης και στους υπολ ογιστικούς πόρους. Παρόμοιες προκλήσ εις εμφανίζονται σε μεγάλης κλίμακας μοντέλα τεχνητής νοημοσύνης όπως τα LLMs, όπου οι υπολογιστικές απαιτήσ εις ξεπερνούν τις περιορισμένες δυνα τότητες των συσκευών στο άκρο. Στην πράξη, όλες αυτές οι cloud-edge εφαρ μογές αντιμετωπίζουν το ίδιο δίλημμα : να επεξεργαστούν κάθε καρέ τοπικά για να εξοικονομήσουν κόστος εύρους ζώνης, ή να το αποφορτώσουν στο clou d κερδίζοντας υψηλότερη ακρίβεια ως αντάλλαγμα. Μια λύση που ερευνάται ή δη από την κοινότητα είναι η χρήση τ ων Κατανεμημένων Βαθιών Νευρωνικών Δ ικτύων (DDNNs). Σε αυτά τα συστήματα , το ρηχό μέρος του μοντέλου εκτελεί ται στη συσκευή, στοχεύοντας σε γρήγ ορες αποκρίσεις χαμηλής καθυστέρησης , ενώ το βαθύτερο μέρος εκτελείται σ το cloud, παράγοντας πιο λεπτομερείς και σύνθετες απαντήσεις. Παλαιότερε ς εργασίες συχνά έκαναν την απόφαση αποφόρτωσης εξετάζοντας απλές μετρήσ εις εμπιστοσύνης, όπως ο υπολογισμός της εντροπίας της τοπικής εξόδου ή η χρήση του Monte Carlo Dropout Unce rtainty. Ωστόσο, αυτές οι ευρετικές τεχνικές μπορεί να είναι παραπλανητι κές, ειδικά σε περιπτώσεις όπου το e dge μοντέλο είναι ιδιαίτερα σίγουρο για τη δική του λανθασμένη πρόβλεψη. Η προσέγγισή μας διατηρεί την αρχιτ εκτονική του κατανεμημένου δικτύου α λλά αλλάζει τον κανόνα απόφασης: αντ ί για σταθερές ευρετικές μεθόδους, έ να μικρό ρηχό Νευρωνικό Δίκτυο που β ρίσκεται στη συσκευή εκπαιδεύεται να προβλέπει εάν ένα δείγμα μπορεί να ταξινομηθεί με ασφάλεια τοπικά ή θα πρέπει να σταλεί στο υπολογιστικό νέ φος για περαιτέρω επεξεργασία. Δοκιμ ές στο CIFAR-10 και άλλα σύνολα δεδο μένων δείχνουν ότι αυτή η εκμαθημένη στρατηγική υπεραποδίδει έναντι των απλών ευρετικών τεχνικών όπως η εντρ οπία, μία φυσική επιλογή για τα τελε υταίας τεχνολογίας μοντέλα, επιτρέπο ντας ταυτόχρονα περισσότερα δείγματα να επεξεργάζονται απευθείας στο άκρ ο.\n Abstract \n The Internet of Thi ngs (IoT) already consists of a fast -growing fleet of devices scattered worldwide. A large part of this ecos ystem is made up of CCTV cameras and traffic-control units producing an ever-increasing flow of data. A sing le 4K camera produces a huge amount of data daily that needs to be proce ssed and classified locally or remot ely both of which put heavy pressure on bandwidth and computing resource s. Similar challenges appear in larg e-scale AI models such as LLMs, wher e the computational demands exceed t he limited capabilities of edge devi ces. In practice, all these cloud-ed ge applications face the same dilemm a: process each frame locally to sav e bandwidth cost or offload it to th e cloud to gain higher accuracy in r eturn. One solution already in resea rch by the community is the use of D istributed Deep Neural Networks (DDN Ns). In these systems, the shallow p art of the model runs on the device aiming for fast low-latency response s, while the deeper part executes in the cloud producing more detailed a nd complex answers. Earlier work oft en made the off-loading decision by looking at simple confidence measure s, such as calculating the entropy o f the local exit or using Monte Carl o Dropout Uncertainty. However, thes e heuristic techniques can be mislea ding, especially in cases where the edge model is highly confident about its own wrong prediction. Our appro ach keeps the distributed-network ar chitecture but changes the decision rule: instead of fixed heuristics, a small shallow Neural Network locate d on the device is trained to predic t whether a sample can be safely cla ssified locally or should be sent to the cloud for further processing. T esting on CIFAR-10 and other dataset s showed that this learned strategy clearly outperforms simple heuristic s such as the entropy, a natural cho ice in state-of-the-art models, whil e allowing more samples to be proces sed directly on the edge.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260330T170000 DTEND:20260330T180000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260305T132508Z LAST-MODIFIED:20260305T132508Z DTSTAMP:20260612T231001Z UID:1781295000_8344@tuc.gr SUMMARY:Διημερίδα Επαγγελματικής Ανάπτυξης γ ια Μηχανικούς: Green Careers & Intel ligent Recruitment – Η Επόμενη Μέρα |11 & 12 Μαρτίου 2026| Γ2.1 LOCATION:Γ2 - Κτίριο Γ2, Γ2.1 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8344&cHash=ea5cb5f92721ace 31ee34d878601e839\nΤο Γραφείο Διασύν δεσης και Σταδιοδρομίας  του Πολυτεχ νείου Κρήτης διοργανώνει Διημερίδα Ε παγγελματικής Ανάπτυξης για Μηχανικο ύς, με στόχο την ενημέρωση και ενδυν άμωση φοιτητών και νέων μηχανικών σχ ετικά με τις σύγχρονες εξελίξεις στη ν αγορά εργασίας, τη βιώσιμη ανάπτυξ η και τις νέες πρακτικές επιλογής πρ οσωπικού. \n 🌱 Τίτλος Διημερίδας: «G reen Careers & Intelligent Recru itment – Η Επόμενη Μέρα», \n 📅 Τετάρ τη 11 Μαρτίου και Πέμπτη 12 Μαρτίου 2026 |🕙 ώρες: 13:00 - 16:00\n 📍 Γ2.1 Αμφιθέατρο,\n Facebook Event\n  \n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260311T130000 DTEND:20260312T160000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260303T091128Z LAST-MODIFIED:20260303T091128Z DTSTAMP:20260612T231001Z UID:1781295000_8340@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Ευαγγέλου Κοτσομύτη - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8340&cHash=c5a856167d0fbd6 11ce20e89f453ba1d\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ευαγγέλου Κοτσο μύτη\n με θέμα\n Μια Διαδικτυακή Πλα τφόρμα Διαχείρισης Kubernetes για τη ν Ενίσχυση της Πρακτικής Μάθησης στη ν Εκπαίδευση της Επιστήμης των Υπολο γιστών\n A Web-Based Kubernetes Mana gement Platform for Enhanced Practic al Learning in Computer Science Educ ation\n Εξεταστική Επιτροπή\n Αναπλη ρωτής Καθηγητής Βασίλειος Σαμολαδάς (επιβλέπων)\n Καθηγητής Ευριπίδης Πε τράκης\n Επίκουρος Καθηγητής Νικόλαο ς Γιατράκος\n Περίληψη\n Τα επεκτάσι μα, απομονωμένα και διαχειρίσιμα υπο λογιστικά περιβάλλοντα είναι ολοένα και πιο απαραίτητα στην εκπαίδευση τ ης επιστήμης των υπολογιστών, ειδικά για μαθήματα που απαιτούν πρακτική διαχείριση συστήματος, πρακτική εξάσ κηση DevOps και ανάπτυξη λογισμικού. Αυτή η διατριβή παρουσιάζει τον σχε διασμό, την υλοποίηση και την αξιολό γηση ενός συστήματος διαχείρισης con tainer που βασίζεται στο Kubernetes για ακαδημαϊκή χρήση.\n Το σύστημα σ υνδυάζει την ενορχήστρωση του Kubern etes με web app και υπηρεσίες backen d. Οι βασικές δυνατότητες περιλαμβάν ουν έλεγχο πρόσβασης βάσει ρόλων, μό νιμη αποθήκευση, αυτοματοποιημένη δι αχείριση κύκλου ζωής κοντέινερ και π ρόσβαση SSH ανά μαθητή. Το backend υ λοποιείται στο Spring Boot και το fr ontend στο React, με έμφαση στην αντ απόκριση και την χρηστικότητα.\n Η α νάπτυξη απαιτούσε την αντιμετώπιση π ροκλήσεων όπως η διαμόρφωση RBAC, η βελτιστοποίηση εικόνας κοντέινερ, η ενσωμάτωση βάσεων δεδομένων με την P ostgreSQL και οι περιορισμοί δικτύωσ ης στο Minikube. Αυτά τα ζητήματα επ ιλύθηκαν μέσω επαναληπτικής διαμόρφω σης, τεκμηρίωσης και αυτοματισμού. Τ α αποτελέσματα δείχνουν ότι το Kuber netes μπορεί να υποστηρίξει μια πρακ τική πλατφόρμα διδασκαλίας που εξισο ρροπεί την ασφάλεια, τη χρηστικότητα και το λειτουργικό overhead. Η διατ ριβή περιγράφει επίσης τους περιορισ μούς και τις μελλοντικές εργασίες, σ υμπεριλαμβανομένων των αυτοματοποιημ ένων ελέγχων ασφαλείας, της υποστήρι ξης πολλαπλών συμπλεγμάτων, της βελτ ιωμένης παρακολούθησης και των βελτι ώσεων UX.\n Abstract \n Scalable, is olated, and manageable computing env ironments are increasingly necessary in computer science education, espe cially for courses that require hand s-on system administration, DevOps p ractice, and software deployment. Th is thesis presents the design, imple mentation, and evaluation of a Kuber netes-based container management sys tem for academic use. \n The system combines Kubernetes orchestration wi th a web interface and backend servi ces. Core capabilities include role- based access control, persistent sto rage, automated container lifecycle management, and per-student SSH acce ss. The backend is implemented in Sp ring Boot and the frontend in React, with a focus on responsiveness and usability. \n Development required a ddressing challenges such as RBAC co nfiguration, container image optimiz ation, database integration with Pos tgreSQL, and networking constraints in Minikube. These issues were resol ved through iterative configuration, documentation, and automation. The results show that Kubernetes can sup port a practical teaching platform t hat balances security, usability, an d operational overhead. The thesis a lso outlines limitations and future work, including automated security c hecks, multi-cluster support, enhanc ed monitoring, and UX improvements.  \n Meeting ID: 922 3498 8102\n Passw ord: 101839\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260311T100000 DTEND:20260311T110000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260302T103235Z LAST-MODIFIED:20260302T103235Z DTSTAMP:20260612T231001Z UID:1781295000_8338@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Φωτίου Κατσάρη - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8338&cHash=d5a2895085bc4fe f371f5eb2689f5cb4\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Φωτίου Κατσάρη\ n με θέμα\n Πρόβλεψη Φορτίου Συστήμα τος Ηλεκτρικής Ενέργειας με χρήση Τε χνητής Νοημοσύνης\n Electric Power S ystem Load Forecast using Artificial Intelligence\n Εξεταστική Επιτροπή\ n Καθηγητής Γεώργιος Χαλκιαδάκης (Επ ιβλέπων)\n Επίκουρος Καθηγητής Γεώργ ιος Πέππας\n Καθηγητής Φώτιος Κανέλλ ος (Πολυτεχνείο Κρήτης, Σχολή ΜΠΔ) \ n Περίληψη\n Η παρούσα διπλωματική ε ργασία πραγματεύεται την πρόβλεψη το υ ηλεκτρικού φορτίου σε ένα Σύστημα Ηλεκτρικής Ενέργειας με τη χρήση μεθ όδων Τεχνητής Νοημοσύνης. Αρχικά, πα ρουσιάζεται η δομή και η λειτουργία του συστήματος ηλεκτρικής ενέργειας, καθώς και η σημασία της αξιόπιστης πρόβλεψης φορτίου για τον σχεδιασμό, τη λειτουργία και την ασφάλεια του συστήματος. Στη συνέχεια, αναλύονται οι βασικές κατηγορίες μεθόδων πρόβλ εψης φορτίου, με έμφαση στις μεθόδου ς χρονοσειρών και σε άλλα κλασικά μα θηματικά μοντέλα.\n Ιδιαίτερη έμφαση δίνεται στην Τεχνητή Νοημοσύνη και στις σύγχρονες εξελίξεις της, με ανα λυτική παρουσίαση των τεχνητών νευρω νικών δικτύων, της δομής, της λειτου ργίας και των πλεονεκτημάτων τους έν αντι των παραδοσιακών μεθόδων πρόβλε ψης. Παρουσιάζεται επίσης ο ρόλος τη ς Τεχνητής Νοημοσύνης στα σύγχρονα σ υστήματα ηλεκτρικής ενέργειας και ει δικότερα στη διαδικασία πρόβλεψης το υ ηλεκτρικού φορτίου.\n Στο πειραματ ικό μέρος της εργασίας χρησιμοποιούν ται δύο εφαρμογές του περιβάλλοντος MATLAB, συγκεκριμένα τα εργαλεία Neu ral Network Fitting και Neural Netwo rk Time Series. Τα δεδομένα ηλεκτρικ ού φορτίου αντλήθηκαν από τον ιστότο πο του ΑΔΜΗΕ και αφορούν τα ημερήσια φορτία για το έτος 2024, ενώ χρησιμ οποιήθηκαν και αντίστοιχα μετεωρολογ ικά δεδομένα για την ίδια χρονική πε ρίοδο. Πραγματοποιείται ημερήσια πρό βλεψη φορτίου εξετάζοντας δύο διαφορ ετικές περιπτώσεις, καθώς και διαφορ ετικό αριθμό νευρώνων στο κρυφό στρώ μα των νευρωνικών δικτύων, με στόχο τη σύγκριση της ακρίβειας και της απ όδοσης των μοντέλων. Τα αποτελέσματα αναλύονται και αξιολογούνται, αναδε ικνύοντας την αποτελεσματικότητα των τεχνητών νευρωνικών δικτύων στην πρ όβλεψη ηλεκτρικού φορτίου.\n Abstrac t \n This diploma thesis focuses on electric power system load forecasti ng using Artificial Intelligence tec hniques. Initially, the structure an d operation of the electric power sy stem are presented, highlighting the importance of accurate load forecas ting for system planning, operation, and reliability. Subsequently, the main categories of load forecasting methods are analyzed, with emphasis on time series approaches and other classical mathematical models.\n Spe cial attention is given to Artificia l Intelligence and its modern develo pments, with a detailed analysis of Artificial Neural Networks, includin g their structure, operation, and ad vantages compared to traditional for ecasting methods. The role of Artifi cial Intelligence in modern power sy stems and specifically in load forec asting applications is also discusse d.\n In the experimental part of the thesis, two MATLAB applications are employed, namely Neural Network Fit ting and Neural Network Time Series. The electric load data were obtaine d from the official website of the I ndependent Power Transmission Operat or (IPTO – ADMIE) and correspond to daily load values for the year 2024, while relevant meteorological data for the same period were also incorp orated. Daily load forecasting is pe rformed by examining two different s cenarios and varying the number of n eurons in the hidden layer of the ne ural networks, aiming to evaluate an d compare the performance and accura cy of the developed models. The resu lts are analyzed and assessed, demon strating the effectiveness of artifi cial neural networks in electric loa d forecasting.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260317T113000 DTEND:20260317T123000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260302T085628Z LAST-MODIFIED:20260302T085628Z DTSTAMP:20260612T231001Z UID:1781295000_8337@tuc.gr SUMMARY:Career Day με την εταιρεία EY - Τεχν ητή Νοημοσύνη & Αγορά Εργασίας | Παρ ασκευή 6 Μαρτίου 2026 | ώρα: 13:00 | Γ2.1 Αμφιθέατρο LOCATION:Γ2 - Κτίριο Γ2 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8337&cHash=d7286bfdfad2ff4 e59bbeecb5802147a\nTo Γραφείο Διασύν δεσης και Σταδιοδρομίας του Πολυτεχν είου Κρήτης διοργανώνει στο πλαίσιο της δράσης #CareerDay@TUC Career Off ice,  \n 🎯 Career Day with EY Greece \n “Τεχνητή Νοημοσύνη & Αγορά Ερ γασίας”\n 📅 Παρασκευή  6 Μαρτίου  20 26,  ⏰ώρα 13:00 \n Γ2.1 Αμφιθέατρο “ Μανούσος Μανουσάκης”\n Facebook Even t\n Οι συμμετέχοντες προπτυχιακοί κα ι μεταπτυχιακοί φοιτητές του Πολυτεχ νείου Κρήτης θα έχουν την ευκαιρία ν α γνωρίσουν την εταιρεία EY Greece κ αι τα στελέχη της, τις ευκαιρίες απα σχόλησης σε σύγχρονους τομείς της τε χνολογίας και της διοίκησης, τις δεξ ιότητες που απαιτούνται στη σύγχρονη αγορά εργασίας και να εμπνευστούν α πό πραγματικές ιστορίες επιτυχίας.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260306T130000 DTEND:20260306T160000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260225T150039Z LAST-MODIFIED:20260225T150039Z DTSTAMP:20260612T231001Z UID:1781295000_8335@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Αναστασίας Κιάφα - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8335&cHash=270d7513b1365e7 db98a64c7c1719878\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Αναστασίας Κιάφ α\n με θέμα\n Δυναμικά Αναδιατασσόμε νες Λειτουργίες Περιβάλλοντος Διαπισ τευμένης Εκτέλεσης σε Αρχιτεκτονικά Συστήματα RISC-V\n Dynamically Recon figurable TEE primitives in RISC-V S oC\n Εξεταστική Επιτροπή\n Καθηγητής Σωτήριος Ιωαννίδης (επιβλέπων)\n Αν απληρωτής Καθηγητής Βασίλειος Σαμολα δάς\n Δόκτωρ Γεώργιος Χρήστου\n Περί ληψη\n Τα Περιβάλλοντα Διαπιστευμένη ς Λειτουργίας (TEE) προσφέρουν την δ υνατότητα απομόνωσης με χρήση hardwa re, στοχεύοντας στη προστασία ευαίσθ ητων προγραμμάτων και δεδομένων από πιθανές διακινδυνεύσεις του λογισμικ ού περιλαμβανομένου του λειτουργικού συστήματος. Τα σύγχρονα TEE παρουσι άζουν συγκεκριμένες λειτουργίες ασφά λειας όπως η απομόνωση της μνήμης, a ttestation , ασφαλή I/O, κρυπτογραφι κούς επιταχυντές, ώστε να ορίσουν κα ι να εφαρμόσουν σαφή όρια μεταξύ των έμπιστων και μη δομικών στοιχείων τ ου συστήματος. Ωστόσο, αυτή η προσέγ γιση δεν καλύπτει επαρκώς τις ανάγκε ς για προσαρμοστικότητα που απαιτείτ αι με την εξέλιξη των απειλών και τω ν εφαρμογών. Απαντώντας σε αυτό το ε πιχείρημα η παρακάτω διπλωματική εργ ασία προτείνει μια δυναμικά αναδιατα σσόμενη αρχιτεκτονική που υλοποιεί λ ειτουργίες TEE σε αρχιτεκτονικά συστ ήματα RISC − V, χρησιμοποιώντας Fiel d Programmable Gate Arrays (FPGA) πρ οσφέροντας ευέλικτες λύσεις που μπορ ούν να προσαρμοστούν στις εξελισσόμε νες απαιτήσεις. Το σύστημα χρησιμοπο ιεί την υλοποίηση της αρχιτεκτονικής RISC−V του Tarassov στοχεύοντας στη δημιουργία ενός integrity monitor π ου πιστοποιεί το εκτελούμενο πρόγραμ μα μέσω του hash του .text κομματιού του. Για την δημιουργία του hash τρ οποποιήθηκε ένα έτοιμο SHA256 crypto graphic core, τοποθετημένο στην επαν απρογραμματιζόμενη περιοχή της FPGA και συνδέθηκε με Direct Memory Acces s (DMA) controller που βρίσκεται στη ν στατική περιοχή της. Ο DMA εκτελεί μεταφορές δεδομένων από τη μνήμη το υ συστήματος στον core χωρίς την εμπ λοκή του επεξεργαστή, με ένα user − space interface το οποίο ρυθμίζει το ν DMA και τον cryptographic core χρη σιμοποιώντας memory −mapped register s. Ακόμη, αναπτύχθηκε ένα βοηθητικό πρόγραμμα για τον εντοπισμό του .tex t segment στη physical memory. Αυτή η υλοποίηση συνεισφέρει στη μεθοδολο γία για τη δημιουργία ευέλικτων, με χρήση hardware TEE σε αρχιτεκτονικά συστήματα RISC −V. Μετρήσαμε την από δοση του integrity primitive και παρ ατηρήσαμε ότι ο DMA controller μεταφ έρει αποτελεσματικά δεδομένα στο SHA 256 core με χρόνους μεταφοράς δεδομέ νων οι οποίοι αυξάνονται γραμμικά απ ό 6ms σε 16ms με την αύξηση των δεδο μένων από 4ΚΒ σε 16ΚΒ, και με χρόνου ς hashing να παραμένουν σταθεροί σε 1ms. Το σύστημα λειτουργεί όπως αναμ ενόταν, επικυρώνοντας τον σχεδιασμό μας.\n Abstract \n Trusted Execution Environments (TEEs) provide the abi lity for hardware-enforced isolation , enabling the protection of sensiti ve code and data against a potential compromise of system software inclu ding the operating system. Modern TE E implementations offer a single set of primitives e.g., memory isolatio n, attestation, secure I/O, cryptogr aphic accelerators, to define and en force trust boundaries between trust ed and untrusted system components. However, static security hardware is insufficient to address the need fo r adaptability required by constant evolving threats and diverse applica tion needs. To address this, the pre sent thesis introduces a dynamically reconfigurable architecture for imp lementing TEE primitives on RISC-V S ystem-on-Chip (SoC) platforms, utili zing FPGA technology offering flexib le security options that can adapt t o changing demands. The proposed sys tem is based on Tarassov's RISC-V pr oject. The architecture is aimed to perform as an integrity monitor, ver ifying application code by computing and checking the hash of the .text segment. A pre-existing SHA256 crypt ographic core, altered for integrati on with a Direct Memory Access (DMA) controller located in the static re gion, is employed in the reconfigura ble region for hashing operations. T he DMA engine performs data transfer s from system memory to the cryptogr aphic core without the processor int ervention. Additionally, a user-spac e interface was developed to configu re both the DMA and the cryptographi c core through memory-mapped registe rs. A helper tool was also implement ed  to retrieve the physical memory addresses of executing program segme nts. This work contributes to the me thodology for developing flexible re configurable, hardware-assisted TEEs on open RISC-V platforms. We measur ed our integrity primitive and obser ved that the DMA effectively transfe rs data to the SHA256 core with tran sfer times that increased linearly f rom 6ms to 16ms with data sizes of 4 KB to 16KB, and the SHA256 hardware accelerator consistently performed a t a stable latency of 1ms. The syste m responds consistently and as predi cted, validating the implementation of our AXI DMA architecture for memo ry-mapped cryptographic acceleration .\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260227T170000 DTEND:20260227T180000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260225T122341Z LAST-MODIFIED:20260225T122341Z DTSTAMP:20260612T231001Z UID:1781295000_8334@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Φιλίας Μαυρικάκη - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8334&cHash=4e4f75d9e993882 becf74b58272a943e\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Φιλίας Μαυρικάκ η\n με θέμα\n Ομοσποδιακή Βαεσιανή Μ άθηση για Επιδημιολογική Μοντελοποίη ση\n Federated Bayesian Learning for Epidemiological Modeling\n Εξεταστι κή Επιτροπή\n Καθηγητής Βασίλειος Σα μολαδάς (επιβλέπων)\n Καθηγητής Θρασ ύβουλος Σπυρόπουλος \n Καθηγητής Γεώ ργιος Χαλκιαδάκης     \n Περίληψη\n Η πρόσφατη κρίση του COVID-19 κατέδε ιξε την επιτακτική ανάγκη για ακριβή και έγκαιρη επιδημιολογική μοντελοπ οίηση. Τα σύγχρονα υπολογιστικά μοντ έλα, και συγκεκριμένα η Μικροσκοπική Προσέγγιση Μαρκοβιανών Αλυσίδων (Mi croscopic Markov Chain Approach - MM CA), προσφέρουν τη δυνατότητα λεπτομ ερούς προσομοίωσης της εξάπλωσης ιών , λαμβάνοντας υπόψη κρίσιμες παραμέτ ρους όπως η ηλικιακή διαστρωμάτωση τ ου πληθυσμού, τα μοτίβα κινητικότητα ς και η κατάσταση της νόσου σε ατομι κό επίπεδο. Ωστόσο, η αποτελεσματικό τητα αυτών των μοντέλων εξαρτάται άμ εσα από την πρόσβαση σε εξαιρετικά ε υαίσθητα, μικροσκοπικά δεδομένα υγεί ας και μετακίνησης.\n Εδώ προκύπτει μια θεμελιώδης σύγκρουση: η ανάγκη γ ια συλλογή δεδομένων σε κεντρικούς δ ιακομιστές για την εκπαίδευση των μο ντέλων προσκρούει στις αυστηρές νομο θετικές ρυθμίσεις προστασίας προσωπι κών δεδομένων (όπως ο GDPR). Παράλλη λα, οι παραδοσιακές μέθοδοι Μηχανική ς Μάθησης (Machine Learning) και Ομο σπονδιακής Μάθησης (Federated Learni ng) που βασίζονται στην ανταλλαγή πα ραγώγων (gradients) μέσω της καθόδου κλίσης (Gradient Descent), καθίσταν ται ανεπαρκείς. Ο λόγος είναι ότι οι σύγχρονοι επιδημιολογικοί προσομοιω τές (όπως ο EpiSim.jl) παρουσιάζουν στοχαστική και μη-διαφορίσιμη συμπερ ιφορά, καθιστώντας αδύνατο τον άμεσο υπολογισμό παραγώγων.\n Η παρούσα δ ιπλωματική εργασία προτείνει και υλο ποιεί Μπεϋζιανή Ομοσπονδιακή Μάθηση (Bayesian Federated Learning - BFL), με σκοπό  τη βελτιστοποίηση επιδημι ολογικών προσομοιώσεων σε κατανεμημέ να περιβάλλοντα που διασφαλίζουν την ιδιωτικότητα. Η προσέγγιση αυτή επι λύει το πρόβλημα της εκτίμησης παραμ έτρων (parameter estimation) χωρίς ν α απαιτείται η μεταφορά των πρωτογεν ών δεδομένων των ασθενών.\n Κεντρικό ς πυλώνας της μεθοδολογίας είναι η χ ρήση της Προσεγγιστικής Μπεϋζιανής Υ πολογιστικής (Approximate Bayesian C omputation - ABC) βασισμένης σε Ακολ ουθιακές Μεθόδους Μόντε Κάρλο (Seque ntial Monte Carlo - SMC). Ο αλγόριθμ ος Federated ABC-SMC που αναπτύχθηκε , επιτρέπει την εκτίμηση των εκ των υστέρων κατανομών (posterior distrib utions) των επιδημικών παραμέτρων μέ σω της σύγκρισης προσομοιωμένων δεδο μένων με τα πραγματικά τοπικά δεδομέ να.\n Η αρχιτεκτονική του συστήματος ακολουθεί μια τοπολογία αστέρα (sta r topology) και διακρίνεται σε τρεις βασικές οντότητες: τον Κεντρικό Συν τονιστή(Coordinator), ο οποίος διαχε ιρίζεται τον πληθυσμό των υποψήφιων παραμέτρων (particles) και συντονίζε ι τη διαδικασία συμπερασματολογίας, τους  Εργάτες Προσομοίωσης (Simulati on Workers) οι οποίοι εκτελούν τον π ροσομοιωτή EpiSim.jl (υλοποιημένο σε γλώσσα Julia) για να παράγουν συνθε τικά δεδομένα βάσει των προτεινόμενω ν παραμέτρων και τους  Ομοσπονδιακού ς Κόμβους (Federated Sites) που αποτ ελούν τους τοπικούς φορείς που κατέχ ουν τα ευαίσθητα πραγματικά δεδομένα . Οι κόμβοι αυτοί λαμβάνουν τα αποτε λέσματα της προσομοίωσης, τα συγκρίν ουν τοπικά με τα δεδομένα τους και ε πιστρέφουν στον Συντονιστή μόνο μία κλιμακωτή τιμή σφάλματος (distance m etric), προστατεύοντας έτσι την ιδιω τικότητα των ατόμων (αρχιτεκτονική " Code-to-Data").\n Για την αντιμετώπι ση του υψηλού υπολογιστικού κόστους των προσομοιώσεων, το σύστημα υλοποι ήθηκε με χρήση του πλαισίου κατανεμη μένου υπολογισμού Ray.io. Αυτό επέτρ εψε την ασύγχρονη και παραλληλοποιημ ένη εκτέλεση χιλιάδων προσομοιώσεων, μειώνοντας δραματικά τον χρόνο εκτέ λεσης (από ημέρες σε ώρες). Αναπτύχθ ηκε επίσης μια διεπαφή (wrapper) σε Python για τη διασύνδεση του αλγορίθ μου ABC-SMC με τον προσομοιωτή EpiSi m.jl.\n Η εγκυρότητα του πλαισίου πι στοποιήθηκε με χρήση πραγματικών δεδ ομένων COVID-19 και κινητικότητας απ ό την Ισπανία. Τα πειραματικά αποτελ έσματα έδειξαν ότι o αλγόριθμος συγκ λίνει με επιτυχία στις πραγματικές τ ιμές των παραμέτρων (ground truth), όπως ο ρυθμός μετάδοσης (β) και οι π αράγοντες κοινωνικής αποστασιοποίηση ς.Η ακρίβεια της εκτίμησης διατηρείτ αι υψηλή ακόμη και όταν τα δεδομένα είναι διαμοιρασμένα σε πολλαπλούς κό μβους (σενάρια 2 και 4 κόμβων). Η ιδ ιωτικότητα διασφαλίζεται καθώς καμία πληροφορία σε επίπεδο ατόμου ή τοπι κού πληθυσμού δεν εξέρχεται από τους ομοσπονδιακούς κόμβους. Συμπερασματ ικά, η εργασία αυτή γεφυρώνει το χάσ μα μεταξύ των προηγμένων επιδημιολογ ικών αλγορίθμων και των απαιτήσεων ι διωτικότητας, προσφέροντας ένα προσα ρμόσιμο και ασφαλές μοντέλο για την επιτήρηση πανδημιών σε εθνικό ή διεθ νές επίπεδο.\n Abstract \n The recen t COVID-19 crisis highlighted the ur gent need for accurate and timely ep idemiological modeling.  Modern epid emiological modeling increasingly re lies on high-resolution simulators, such as the Microscopic Markov Chain Approach (MMCA), which require gran ular mobility and health data to acc urately estimate epidemic dynamics.T hey provide detailed  understanding for age-classified transmission and mobility information. However, it re lies on the analysis of sensitive lo calized data. Epidemiological simula tors exhibit stochastic, non-differe ntiable dynamics. Centralized method s can't ensure privacy, while Federa ted Learning algorithms  that rely o n a gradient descent, are incompatib le.\n This thesis proposes a solutio n for the problem of parameter estim ation of state-of-the-art epidemiolo gical modeling in a federated settin g. A central pillar of the methodolo gy is the use of Approximate Bayesia n Computation based on Sequential Mo nte Carlo (ABC-SMC) methods.  We int roduce a variation of this algorithm (ABC-SMC) using Federated architect ure to estimate the posterior distri butions of epidemic parameters enabl ing likelihood-free inference withou t transferring raw data between site s. The proposed architecture employs a star-topology federated system in which local nodes execute simulatio ns using the EpiSim.jl epidemiologic al simulator, while a central coordi nator aggregates distance metrics to approximate posterior parameter dis tributions. To validate this system, we created distinct federated sites that work as client nodes by using Real-world data from Covid-19 in Spa in. To address the high computationa l cost of simulations, the system wa s implemented using the Ray.io distr ibuted computing framework. This ena bled asynchronous and parallel execu tion of thousands of simulations, dr amatically reducing execution time ( from days to hours). A Python wrappe r interface was also developed to co nnect the ABC-SMC algorithm with the EpiSim.jl simulator.\n The validity of the framework was verified using real COVID-19 and mobility data fro m Spain. Experimental results showed that the algorithm successfully con verges to the true parameter values (ground truth), such as the transmis sion rate and social distancing fact ors. Estimation accuracy remains hig h even when data are distributed acr oss multiple nodes (2-site and 4-sit e scenarios). Privacy is preserved, as no individual-level or local popu lation information leaves the federa ted sites. In conclusion, this work bridges the gap between advanced epi demiological algorithms and privacy requirements, offering an adaptable and secure model for pandemic survei llance at national or international scale. The results show that the Fed erated ABC-SMC algorithm successfull y recovers our observed data without the raw data being shared. This wor k connects the known algorithms used for epidemiological modeling and th e safety, regarding privacy, of a fe derated environment. \n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260303T170000 DTEND:20260303T180000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260224T104427Z LAST-MODIFIED:20260224T104427Z DTSTAMP:20260612T231001Z UID:1781295000_8331@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Μαρίας Βλαχάκου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8331&cHash=93d7a58a3bbf988 34218141c50ea3a50\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Μαρίας Βλαχάκου \n με θέμα\n Τμηματοποίηση Κάλυψης Ε δάφους Εικόνων Υψηλής Ανάλυσης με χρ ήση Βαθιάς Μάθησης\n Land Cover Segm entation of High-Resolution Images u sing Deep Learning\n Εξεταστική Επιτ ροπή\n Καθηγητής Μιχαήλ Ζερβάκης (επ ιβλέπων)\n Καθηγητής Ευριπίδης Πετρά κης\n Καθηγητής Ανδρέας Σαβάκης (Σχο λή ΗΜΜΥ, RIT)\n Περίληψη\n Οι τηλεπι σκοπικές εικόνες υψηλής χωρικής ανάλ υσης χρησιμοποιούνται ευρέως για τη χαρτογράφηση κάλυψης γης και βρίσκου ν εφαρμογή σε τομείς όπως ο πολεοδομ ικός σχεδιασμός, η περιβαλλοντική πα ρακολούθηση, η γεωργία και η διαχείρ ιση φυσικών καταστροφών. Τα τελευταί α χρόνια, η διαθεσιμότητα αεροφωτογρ αφιών και δορυφορικών εικόνων πολύ υ ψηλής ανάλυσης έχει αυξηθεί σημαντικ ά. Παρά την τεχνολογική πρόοδο, η ακ ριβής ταξινόμηση κάλυψης γης παραμέν ει απαιτητική, λόγω της μεγάλης χωρι κής ετερογένειας, της φασματικής ομο ιότητας μεταξύ διαφορετικών κατηγορι ών, της έντονης ανισορροπίας κλάσεων και των πολύπλοκων ορίων αντικειμέν ων, ιδιαίτερα σε αστικές και μικτές περιοχές. Τα παραδοσιακά pixel-based και object-based μοντέλα συχνά δυσκ ολεύονται να ανταποκριθούν σε αυτές τις προκλήσεις.\n Η παρούσα εργασία διερευνά τη χρήση μεθόδων βαθιάς μάθ ησης για την ταξινόμηση κάλυψης γης σε αεροφωτογραφίες υψηλής ανάλυσης, με έμφαση στη σημασιολογική τμηματοπ οίηση (semantic segmentation) μέσω α ρχιτεκτονικής encoder–decoder. Το πρ οτεινόμενο μοντέλο συνδυάζει ένα βαθ ύ residual δίκτυο ως encoder με έναν decoder τύπου U-Net, επιτρέποντας τ ην ταυτόχρονη αξιοποίηση σημασιολογι κής πληροφορίας πολλαπλών κλιμάκων κ αι τη διατήρηση λεπτομερειών στο χώρ ο. \n Τα πειράματα πραγματοποιήθηκαν στο σύνολο δεδομένων LandCover.ai, το οποίο περιλαμβάνει αεροφωτογραφίε ς RGB υψηλής ανάλυσης. Αν και το αρχ ικό σύνολο δεδομένων περιλαμβάνει πέ ντε κατηγορίες (background, building , woodland, water και roads), στην π αρούσα εργασία χρησιμοποιήθηκε μια α ναδιαμορφωμένη εκδοχή τριών κατηγορι ών. Συγκεκριμένα, οι κατηγορίες buil ding και roads συγχωνεύθηκαν με την κατηγορία background, προκειμένου να αντιμετωπιστεί η έντονη ανισορροπία κλάσεων και η χαμηλή απόδοση που πα ρατηρήθηκε σε κατηγορίες με μικρή χω ρική εκπροσώπηση και υψηλή δομική πο λυπλοκότητα.\n Για τη βελτίωση της ε κπαίδευσης χρησιμοποιήθηκε συνδυαστι κή συνάρτηση απώλειας (Focal loss κα ι Dice loss), καθώς και τεχνικές εμπ λουτισμού δεδομένων και στρατηγική O ne-Cycle Learning Rate. Τα αποτελέσμ ατα δείχνουν σταθερή και συνεπή απόδ οση τόσο στο σύνολο επικύρωσης (vali dation set) όσο και στο σύνολο δοκιμ ής (test set), με μέση τιμή Intersec tion over Union (IoU) περίπου 87% στ η διαμόρφωση τριών κατηγοριών. Υψηλή ακρίβεια παρατηρείται για τις κατηγ ορίες background, woodland και water .\n Συνολικά, τα ευρήματα επιβεβαιών ουν ότι οι αρχιτεκτονικές encoder–de coder αποτελούν μια αξιόπιστη λύση γ ια την ταξινόμηση κάλυψης γης σε εικ όνες υψηλής ανάλυσης, ενώ παράλληλα αναδεικνύουν τη σημασία της ισορροπί ας κλάσεων και της σωστής διαμόρφωση ς του προβλήματος στη συνολική απόδο ση του μοντέλου.\n Abstract \n High- resolution remote sensing imagery is widely used for land cover mapping and has found application in several fields, such as urban planning, env ironmental monitoring, agriculture, and disaster management. Over the la st years, the availability of very-h igh-resolution aerial and satellite images has increased considerably. N evertheless, accurate land cover cla ssification remains a difficult prob lem. This is mainly due to the high spatial variability of the scene, si milarities in spectral characteristi cs between different land cover type s, strong class imbalance, and the p resence of complex object boundaries . These issues are particularly met in urban and heterogeneous areas. Fo r these reasons, traditional pixel-b ased and object-based classification methods often fail to provide satis factory results.\n This thesis inves tigates the use of deep learning met hods for land cover classification i n high-resolution aerial imagery, wi th a specific focus on semantic segm entation approaches based on encoder –decoder architectures. The adopted model consists of a deep residual ne twork used as an encoder and a decod er inspired by the U-Net architectur e. This design allows the extraction of semantic information at differen t spatial scales, while still preser ving local spatial details that are important for accurate segmentation. The experiments are conducted on th e LandCover.ai dataset, which is a p ublicly available dataset of high-re solution RGB aerial images. The data set includes five land cover classes , namely background, building, woodl and, water and roads, but a reduced three-class configuration is adopted in this study. Specifically, the bu ilding and road categories are merge d with the background class to mitig ate severe class imbalance, relative ly small spatial extent, structural complexity, and their uneven distrib ution in the dataset. In order to im prove the segmentation of object bou ndaries, a combined loss function ba sed on Focal loss and Dice loss is e mployed. Additionally, data augmenta tion techniques and a one-cycle lear ning rate scheduling strategy are ap plied during training.\n The results obtained from the experiments show that the proposed approach performs consistently on both the validation and test datasets. The achieved mean Intersection over Union (IoU) is ap proximately 87% under the reduced th ree-class configuration. High segmen tation accuracy is observed for back ground, woodland and water classes. Both quantitative results and visual inspection of the segmentation outp uts indicate that the encoder–decode r architecture is able to capture gl obal contextual information as well as local spatial characteristics. Ov erall, the findings confirm that dee p encoder–decoder models provide a r eliable solution for high-resolution land cover classification, while al so indicating the importance of clas s distribution considerations in sem antic segmentation performance evalu ation. At the same time, the results highlight the need for further inve stigation on issues related to scala bility, transferability, and domain adaptation in practical remote sensi ng applications.\n  \n Meeting ID: 9 99 2049 3813\n Password: 506928\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260224T150000 DTEND:20260224T160000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260224T102749Z LAST-MODIFIED:20260224T102749Z DTSTAMP:20260612T231001Z UID:1781295000_8330@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Χρυσηίδας Μανουδάκη - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8330&cHash=14767739eda47f7 b4512d82ac7836926\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Χρυσηίδας Μανου δάκη\n με θέμα\n Αυτοματοποίηση Εξαγ ωγής Πληροφορίας από Emails με χρήση Μεγάλων Γλωσσικών Μοντέλων\n Automa ting Information Extraction from Ema ils using Large Language Models\n Εξ εταστική Επιτροπή\n Καθηγητής Μιχαήλ Γ. Λαγουδάκης (Σχολή ΗΜΜΥ, Επιβλέπω ν)\n Καθηγητής Θρασύβουλος Σπυρόπουλ ος (Σχολή ΗΜΜΥ)\n Δρ. Βασίλειος Διακ ολουκάς (Σχολή ΗΜΜΥ)\n Περίληψη\n Στ ον επιχειρηματικό κόσμο, η διαχείρισ η μεγάλων όγκων αδόμητων δεδομένων, ειδικά στις επικοινωνίες μέσω ηλεκτρ ονικού ταχυδρομείου, επηρεάζει σημαν τικά την αποδοτικότητα στην ανάκτηση πληροφοριών. Στην παρούσα διπλωματι κή εργασία, σχεδιάζουμε και υλοποιού με ένα ισχυρό σύστημα για την επεξερ γασία και την εξαγωγή δομημένων δεδο μένων από πολύγλωσσα νήματα ηλεκτρον ικού ταχυδρομείου στον τομέα της εφο διαστικής αλυσίδας και των μεταφορών , χρησιμοποιώντας Μεγάλα Γλωσσικά Μο ντέλα (LLMs). Η ερευνητική μεθοδολογ ία είναι δομημένη σε τρεις φάσεις: τ ην προεπεξεργασία δεδομένων, την αρχ ιτεκτονική ανάκτησης πληροφοριών και την ενσωμάτωση συστήματος πρακτόρων . Αρχικά, αναπτύσσεται μια ροή προεπ εξεργασίας για τη διαχείριση ενθόρυβ ων δεδομένων. Αυτή η ροή χρησιμοποιε ί Κανονικές Εκφράσεις (Regular Expre ssions) και εκκαθάριση βασισμένη σε LLM για τη μετάφραση του περιεχομένο υ στα Αγγλικά, την κατάτμηση των νημ άτων και την αφαίρεση άσχετων μεταδε δομένων. Στη συνέχεια, πραγματοποιεί ται σημασιολογική απαλοιφή διπλότυπω ν (semantic deduplication) με χρήση διανυσματικών βάσεων δεδομένων. Παρά λληλα, εξετάζονται αποδοτικές στρατη γικές συμπερασμού, ώστε να διασφαλισ τεί η χαμηλή καθυστέρηση που απαιτού ν οι εφαρμογές πραγματικού χρόνου. Η δεύτερη φάση της εργασίας περιλαμβά νει τη διερεύνηση και σύγκριση τριών συστημάτων Retrieval-Augmented Gene ration (RAG): ένα βασικό RAG που χρη σιμοποιεί διανυσματικές βάσεις δεδομ ένων, μια προσέγγιση GraphRAG που αξ ιοποιεί γράφους γνώσης (Knowledge Gr aphs) για τη χαρτογράφηση σύνθετων σ χέσεων μεταξύ οντοτήτων, και την πλα τφόρμα LightRAG, η οποία χρησιμοποιε ί ένα μοντέλο ανάκτησης πληροφορίας δύο επιπέδων. Τέλος, αυτά τα στοιχεί α ενσωματώνονται σε μια εποπτική πολ υ-πρακτορική αρχιτεκτονική (supervis or multi-agent architecture), η οποί α είναι προσβάσιμη μέσω μιας φιλικής προς τον χρήστη διεπαφής chatbot. Ο επόπτης ενορχηστρώνει εξειδικευμένο υς πράκτορες που εκτελούν την προεπε ξεργασία, τη διαχείριση του γραφήματ ος και την επίλυση σύνθετων ερωτημάτ ων, προκειμένου να ικανοποιήσουν αιτ ήματα σε φυσική γλώσσα. Τα αποτελέσμ ατά μας δείχνουν ότι στις περισσότερ ες περιπτώσεις το προτεινόμενο σύστη μα ήταν σε θέση να καταγράψει τα βασ ικά σημεία των επικοινωνιών μέσω ηλε κτρονικού ταχυδρομείου και να δημιου ργήσει ουσιαστικές απαντήσεις σε μια σειρά ερωτήσεων. Συνολικά, η παρούσ α εργασία παρουσιάζει ένα επεκτάσιμο και αξιόπιστο σύστημα που συνδυάζει γραφήματα γνώσης και πράκτορες με ι κανότητα συλλογισμού για τη βελτίωση της ακρίβειας και της αξιοπιστίας κ ατά την εξαγωγή σύνθετων λογιστικών δεδομένων από μη δομημένο κείμενο.\n Abstract\n In the corporate world, managing large volumes of unstructur ed data, especially in email communi cations, significantly impacts effic iency in information retrieval. In t his diploma thesis, we design and im plement a robust system for processi ng and extracting structured data fr om multilingual email threads within the logistics and transportation do main using Large Language Models (LL Ms). The research methodology is str uctured around three phases: data pr eprocessing, information retrieval a rchitecture, and agentic system inte gration. First, a preprocessing pipe line is developed to handle noisy da ta. This pipeline uses Regular Expre ssions and LLM-based cleansing to tr anslate content to English, segment threads, and remove irrelevant metad ata. Then, semantic deduplication is performed using vector databases. C oncurrently, efficient inference str ategies are examined to ensure low l atency required by real-time applica tions. The second phase of the thesi s involves investigating and compari ng three Retrieval-Augmented Generat ion (RAG) workflows: a baseline RAG using vector databases; a GraphRAG a pproach that leverages knowledge gra phs (KGs) to map complex entity rela tionships; and the LightRAG framewor k, which employs a dual-level retrie val paradigm. Finally, these compone nts are integrated into a supervisor multi-agent architecture, which is accessible via a user-friendly chatb ot interface. The supervisor orchest rates specialized agents that perfor m preprocessing, graph management, a nd complex query resolutions to fulf ill natural language requests. Our r esults indicate that in most cases t he proposed system was able to captu re the core points of the email comm unications and generate meaningful r eplies to a range of queries. Overal l, this thesis presents a scalable a nd reliable framework that combines knowledge graphs and agent reasoning to improve the accuracy and reliabi lity of extracting complex logistics data from unstructured text.\n Meet ing ID: 94442725167  \n Password: 87 4634\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260225T170000 DTEND:20260225T180000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260223T173335Z LAST-MODIFIED:20260223T173335Z DTSTAMP:20260612T231001Z UID:1781295000_8328@tuc.gr SUMMARY:Career Day με την εταιρεία KPMG | Τε τάρτη 25-02-2026|ώρα: 13:00|ZOOM LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8328&cHash=2e5d38e3734f136 4bfa40f3a883b1546\nTo Γραφείο Διασύν δεσης και Σταδιοδρομίας του Πολυτεχν είου Κρήτης διοργανώνει στο πλαίσιο της δράσης #CareerDay@TUC Career Off ice,  \n 🎯 Virtual Career Day με την εταιρεία KPMG  \n "Find opportunity everywhere with KPMG"          \n 📅  Τετάρτη 25 Φεβρουαρίου 2026,  ⏰ώρα 13:00 Διαδικτυακά μέσω zoom\n Facebo ok Event\n Η εκδήλωση απευθύνεται κυ ρίως σε φοιτητές και αποφοίτους του Πολυτεχνείου Κρήτης, καθώς και σε φο ιτητές μεταπτυχιακών προγραμμάτων σπ ουδών που επιθυμούν να αναπτύξουν τι ς εργασιακές τους δεξιότητες και να ενημερωθούν για σύγχρονες ευκαιρίες στην αγορά εργασίας.\n Οι συμμετέχον τες θα γνωρίσουν την KPMG, τις προοπ τικές καριέρας, ενώ θα ενημερωθούν γ ια:\n \n \nΤην επαγγελματική πορεία ενός Μηχανικού στον ρόλο του Συμβούλ ου Επιχειρήσεων.\n \nTις σύγχρονες τ άσεις και εξελίξεις στην αγορά εργασ ίας.\n \nΤις διαθέσιμες ευκαιρίες κα ριέρας και τις δεξιότητες που κάνουν τη διαφορά.\n \nΣυμβουλές για βιογρ αφικό σημείωμα, το LinkedIn profile  και για μια επιτυχημένη συνέντευξη.\ n \n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260225T130000 DTEND:20260225T160000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260220T150047Z LAST-MODIFIED:20260220T150047Z DTSTAMP:20260612T231001Z UID:1781295000_8326@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Νικολάου Χατζηδήμου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8326&cHash=ee6efe703d17aaa 0a5c7c21153ec325e\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Νικολάου Χατζηδ ήμου\n με θέμα\n Συντονισμός Σμήνους Drones για Εντοπισμό και Παρακολούθ ηση Δυναμικών Περιβαλλοντικών Φαινομ ένων\n Drone Swarm Coordination for Detection and Monitoring of Dynamic Environmental Phenomena\n Εξεταστική Επιτροπή\n Καθηγητής Μιχαήλ Γ. Λαγο υδάκης (Σχολή ΗΜΜΥ, Επιβλέπων)\n Καθ ηγητής Θρασύβουλος Σπυρόπουλος (Σχολ ή ΗΜΜΥ)\n Καθηγητής Παναγιώτης Παρτσ ινέβελος (Σχολή ΜΗΧΟΠ)\n Περίληψη\n Οι δυναμικοί περιβαλλοντικοί κίνδυνο ι αποτελούν μία κρίσιμη πρόκληση για τη διαχείριση καταστροφών, λόγω της ταχέως εξελισσόμενης έντασής τους κ αι των απρόβλεπτων ορίων τους. Οι δα σικές πυρκαγιές αποτελούν το κύριο π εδίο εφαρμογής της παρούσας μελέτης και επιλέχθηκαν λόγω των χωρικά περί πλοκων περιμέτρων τους, αλλά και επε ιδή το μέτωπο διάδοσης της πυρκαγιάς λειτουργεί ως δυναμικό εμπόδιο που επιβάλλει γεωμετρικούς περιορισμούς πραγματικού χρόνου στην περιοχή παρα κολούθησης. Τα συμβατικά συστήματα π αρακολούθησης, όπως οι δορυφόροι ή τ α μεμονωμένα μη επανδρωμένα αεροσκάφ η (UAVs), συχνά στερούνται της χωροχ ρονικής ανάλυσης που απαιτείται για τη συνεχή επίγνωση της κατάστασης σε αυτά τα πολύπλοκα περιβάλλοντα. Για την αντιμετώπιση αυτού του περιορισ μού, η παρούσα διπλωματική εργασία π ροτείνει μια Ιεραρχική Αρχιτεκτονική Σμήνους Drones, η οποία εφαρμόζει μ ια υβριδική στρατηγική ελέγχου, συνδ υάζοντας αποτελεσματικά τον κεντρικό σχεδιασμό υψηλού επιπέδου με αποκεν τρωμένες reactive συμπεριφορές. Στο πλαίσιο ενός περιβάλλοντος προσομοίω σης πλέγματος, βασισμένο σε Stochast ic Cellular Automata για τη διάδοση της πυρκαγιάς, το σύστημα χρησιμοποι εί έναν κεντρικό leader agent για τη δημιουργία των αρχικών διαδρομών κα ι τη βελτιστοποίηση της κατανομής πό ρων για τα subordinate drones του σμ ήνους. Παράλληλα, οι subordinate age nts πλοηγούνται βάσει των αρχικών δι αδρομών σε ένα περιβάλλον με εμπόδια , με στόχο τον εντοπισμό των εστιών της πυρκαγιάς και εκτελούν μια αποκε ντρωμένη λογική παρακολούθησης, όταν ανατίθενται σε μία περίμετρο φωτιάς , διατηρώντας επιτήρηση από κοντινή απόσταση. Αυτή η αρχιτεκτονική αξιολ ογείται συγκριτικά με δύο βασικές δι αμορφώσεις ως σημεία αναφοράς: ένα σ τοχαστικό random walk (που αντιπροσω πεύει μία αμιγώς αντιδραστική αναζήτ ηση) και μία συστηματική σάρωση (που αντιπροσωπεύει μία εξαντλητική αναζ ήτηση). Τα πειραματικά αποτελέσματα που διεξήχθησαν σε διάφορα μεγέθη σμ ήνους, μεγέθη περιβάλλοντος και αρχι κό αριθμό σημείων ανάφλεξης, επιδεικ νύουν ότι το προτεινόμενο ιεραρχικό σμήνος εξισορροπεί επιτυχώς την ταχύ τητα διεκπεραίωσης της αποστολής με την εξοικονόμηση πόρων. Στη φάση του εντοπισμού, το σύστημα προσφέρει κα λύτερη ενεργειακή απόδοση σε σύγκρισ η με τις μεθόδους εξαντλητικής αναζή τησης, ενώ στη φάση της παρακολούθησ ης επιτυγχάνει υψηλά ποσοστά κάλυψης της πυρκαγιάς. Επιπλέον, η ανάλυση επεκτασιμότητας του συστήματος επιβε βαιώνει ότι, διατηρώντας σταθερή την πυκνότητα των πρακτόρων στην περιοχ ή επιχείρησης, η προτεινόμενη αρχιτε κτονική μετριάζει αποτελεσματικά την πολυπλοκότητα των μεγαλύτερων περιβ αλλόντων, διατηρώντας γρήγορους χρόν ους εντοπισμού των σημείων πυρκαγιάς και υψηλής ποιότητας κάλυψη παρακολ ούθησής τους, ακόμη και όταν επεκτεί νεται η περιοχή ενδιαφέροντος.\n Abs tract\n Dynamic environmental hazard s present a critical challenge for d isaster management due to their rapi dly evolving intensity and unpredict able boundaries. Wildfires serve as the primary use case for this study, selected for their spatially comple x perimeters and because the propaga ting fire front acts as a dynamic ob stacle that imposes real-time geomet ric constraints on the monitoring ar ea. Conventional monitoring systems, such as satellites or single UAVs, often lack the spatiotemporal resolu tion required for persistent situati onal awareness in these complex sett ings. To address this limitation, th is diploma thesis proposes a Hierarc hical Drone Swarm Architecture that employs a hybrid control strategy, e ffectively combining centralized hig h-level planning with decentralized reactive behaviors. Within a grid-ba sed simulation framework based on St ochastic Cellular Automata for simul ating fire propagation, the system u tilizes a centralized leader agent t o generate the initial paths and opt imize the resource allocation for th e subordinate drones of the swarm. S imultaneously, the subordinate agent s navigate based on the initial path s in the obstacle environment to det ect the fire spots and execute a dec entralized tracking logic, when they are assigned to a fire perimeter, m aintaining close-range surveillance. This architecture is evaluated agai nst two baseline configurations: a s tochastic random walk (representing purely reactive search) and a system atic sweep (representing exhaustive search). Experimental results across varying swarm sizes, environmental scales, and initial fire ignition po ints demonstrate that the proposed h ierarchical swarm successfully balan ces mission speed with resource cons ervation. In the detection phase, th e system delivers superior energy ef ficiency compared to exhaustive sear ch methods, while in the monitoring phase it achieves high fire-tracking coverage. Furthermore, scalability analysis confirms that by maintainin g a constant agent density in the op erational area, the proposed archite cture effectively mitigates the comp lexity of larger environments, susta ining rapid detection times and high -quality monitoring coverage even as the region of interest expands.\n M eeting ID: 95875350571\n Password: 8 69224\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260224T170000 DTEND:20260224T180000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260220T125931Z LAST-MODIFIED:20260220T125931Z DTSTAMP:20260612T231001Z UID:1781295000_8324@tuc.gr SUMMARY:"Advanced Modeling and Optimization of Modern Power Systems: From Operat ions to Long-Term Planning" by Dr. K onstantinos Oikonomou LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 145Π-58 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8324&cHash=fe0d4a4f74ba717 cf98d94ed829de71b\nAbstract\n Modern power systems increasingly require coordinated decision-making across p ower generation, transmission, and f lexible demand resources to ensure r eliable grid operations under uncert ainty. This presentation discusses o ptimization and modeling frameworks that enable the joint consideration of planning and operational decision s in power and multi-energy systems, with particular emphasis on transmi ssion expansion, energy storage, and demand-side flexibility. At the ope rational level, the presentation hig hlights coordinated optimization app roaches that capture interactions be tween power networks and other infra structures, such as water systems, e nabling flexible resources to be sch eduled alongside conventional grid a ssets. At the planning level, transm ission and resource expansion models are used to illustrate trade-offs b etween network reinforcement and ope rational reliability under stressed system conditions. The presentation also introduces quantitative reliabi lity and resilience metrics that lin k system performance, disruption, an d recovery within a consistent analy tical framework. Together, these ele ments demonstrate how integrated mod eling approaches can support robust and computationally tractable decisi on-making for power system planning and operations in increasingly compl ex and interdependent energy systems .\n \n About the Speaker\n Dr. Konst antinos Oikonomou is a Senior Power Systems Research Engineer at Pacific Northwest National Laboratory (PNNL ). His research focuses on power sys tem operations, resilience, and opti mization, with particular emphasis o n energy–water interdependencies, hy dropower and energy storage modeling , electricity market design, and dec arbonized power system planning. At PNNL, he has led multiple U.S. Depar tment of Energy–funded projects, inc luding national-scale production cos t modeling, energy resilience analys is, and transmission planning studie s. He serves as Chair of the IEEE Wa ter–Energy Nexus Task Force, coordin ating a global community of over 200 registered members across academia, national laboratories, and industry . He holds a Ph.D. in Electrical Eng ineering from the University of Utah and has published extensively in le ading peer-reviewed journals.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260227T110000 DTEND:20260227T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260220T084131Z LAST-MODIFIED:20260220T084131Z DTSTAMP:20260612T231001Z UID:1781295000_8322@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Λαμπριανής Τσάπανου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8322&cHash=47bdf72cd5aba9f 8e5a53c6c6d263b5e\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Λαμπριανής Τσάπ ανου \n με θέμα\n Ενσωμάτωση Διαφορι κών Δικτύων Συν-έκφρασης και Δικτύων Αλληλεπίδρασης Πρωτεϊνών για τη Μελ έτη Πρόδρομων Βλαβών στον Καρκίνο το υ Παγκρέατος\n Integration of Differ ential Co-Expression and Protein-Pro tein Interaction Networks to Study P recursor Lesions in Pancreatic Cance r\n Εξεταστική Επιτροπή\n Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)\n Καθηγη τής Διονύσιος Χριστόπουλος\n Ομότιμο ς Καθηγητής Απόστολος Δόλλας\n Περίλ ηψη\n Ο καρκίνος του παγκρέατος αποτ ελεί μία από τις πλέον επιθετικές μο ρφές καρκίνου, με εξαιρετικά χαμηλά ποσοστά επιβίωσης, κυρίως λόγω της α πουσίας πρώιμης συμπτωματολογίας και της έλλειψης αξιόπιστων μεθόδων έγκ αιρης διάγνωσης. Ιδιαίτερο ενδιαφέρο ν παρουσιάζουν οι πρόδρομες βλάβες τ ου παγκρέατος, όπως οι PanIN αλλοιώσ εις, οι οποίες προηγούνται της εμφάν ισης του διηθητικού παγκρεατικού αδε νοκαρκινώματος και μπορούν να προσφέ ρουν κρίσιμες πληροφορίες για την πρ όληψη και την πρώιμη ανίχνευση της ν όσου.\n Στην παρούσα διπλωματική εργ ασία πραγματοποιείται η ενσωμάτωση δ ιαφορικών δικτύων συνέκφρασης γονιδί ων και δικτύων πρωτεϊνικών αλληλεπιδ ράσεων με στόχο τη μελέτη των μοριακ ών μεταβολών που λαμβάνουν χώρα κατά τη μετάβαση και διαφοροποίηση μεταξ ύ των διαφορετικών κλινικών καταστάσ εων. Με αφετηρία ένα σύνολο 67 γονιδ ίων με σημαντική διαφορική έκφραση π ου συνδέει την εμβρυογένεση με διηθη τικό παγκρεατικό αδενοκαρκίνωμα αναλ ύθηκαν δεδομένα γονιδιακής έκφρασης από υγιή, προκαρκινικά και καρκινικά δείγματα ανθρώπου. Μέσω στατιστικής ανάλυσης διαφορικής συσχέτισης και εφαρμογής μεθόδων θεωρίας γράφων, κα τασκευάστηκαν δίκτυα διαφορικής συνέ κφρασης και εξήχθησαν υποδίκτυα με α υξημένη τοπολογική και βιολογική σημ ασία.\n Η αξιολόγηση των προτεινόμεν ων δικτύων πραγματοποιήθηκε μέσω τοπ ολογικής ανάλυσης και σύγκρισης με κ αθιερωμένα δίκτυα λειτουργικών αλληλ επιδράσεων από τη βάση δεδομένων STR ING, επιτρέποντας τον εντοπισμό κοιν ών αλλά και νέων αλληλεπιδράσεων. Τα αποτελέσματα αναδεικνύουν κρίσιμους κόμβους και υποδίκτυα που διαφοροπο ιούνται μεταξύ υγιούς, προκαρκινικής και καρκινικής κατάστασης και σχετί ζονται με γνωστά βιολογικά μονοπάτια της παγκρεατικής καρκινογένεσης.\n Η εργασία, μέσα από τη μελέτη των δι κτύων και υποδικτύων διαφορικής συνέ κφρασης συμβάλει στην ανάδειξη κομβι κών μορίων που διαδραματίζουν σημαντ ικό ρόλο στη μετάβαση από την υγιή σ την προκαρκινική και καρκινική κατάσ ταση. Κατά συνέπεια, η συγκεκριμένη μελέτη καταδεικνύει την ανάλυση δικτ ύων διαφορικής συνέκφρασης ως εργαλε ίο ανάδειξης υποψήφιων βιοδεικτών γι α την έγκαιρη ανίχνευση του διηθητικ ού παγκρεατικού αδενοκαρκινώματος κα ι τη χρήση τους ως πιθανών θεραπευτι κών στόχων.\n Abstract \n Pancreatic cancer is one of the most aggressiv e forms of cancer, characterized by extremely low survival rates, mainly due to the absence of early symptom s and the lack of reliable methods f or early diagnosis. Of particular in terest are pancreatic precursor lesi ons, such as PanINs, which precede t he development of invasive pancreati c ductal adenocarcinoma and can prov ide critical information for disease prevention and early detection.\n I n this Master’s thesis, an integrati ve analysis of differential gene co- expression networks and protein–prot ein interaction networks, is perform ed in order to investigate the molec ular alterations that occur during t he transition and differentiation be tween different clinical states of p ancreatic tissue. Starting from a se t of 67 genes with significant diffe rential expression linking embryogen esis to invasive pancreatic ductal a denocarcinoma, gene expression data from healthy, precancerous, and canc erous human samples were analyzed. T hrough statistical differential corr elation analysis and the application of graph theory–based methods, diff erential co-expression networks were constructed and biologically meanin gful subnetworks were identified.\n The proposed networks were evaluated through topological analysis and co mparison with established functional interaction networks from the STRIN G database, enabling the identificat ion of both shared and novel interac tions. The results highlight key nod es and subnetworks that differ among healthy, precancerous, and cancerou s states and are associated with kno wn biological pathways involved in p ancreatic carcinogenesis.\n Through the study of differential co-express ion networks and subnetworks, this w ork contributes to the identificatio n of key molecules that play an impo rtant role in the transition from he althy to precancerous and cancerous states. Consequently, the present st udy demonstrates that differential c o-expression network analysis can se rve as a powerful tool for the ident ification of candidate biomarkers fo r the early detection of invasive pa ncreatic ductal adenocarcinoma and t heir potential use as therapeutic ta rgets.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260224T130000 DTEND:20260224T140000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260218T113117Z LAST-MODIFIED:20260218T113117Z DTSTAMP:20260612T231001Z UID:1781295000_8316@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Ιωάννη Προεστάκη - Σχολή ΗΜΜΥ LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 141Π-36,1 41Π-37 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8316&cHash=036fae4d9e13e36 e97f724aa6045653e\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ιωάννη Προεστάκ η\n με θέμα\n Συγκριτική Αξιολόγηση Μεθόδων Ελέγχου της Παραγωγής Ισχύος Φωτοβολταϊκών Συστημάτων\n Comparat ive Evaluation of Power Production C ontrol Methods of Photovoltaic Syste ms\n Εξεταστική Επιτροπή\n Καθηγητής Ευτύχιος Κουτρούλης (επιβλέπων)\n Κ αθηγητής Κωνσταντίνος Γυφτάκης\n Επί κουρος Καθηγητής Γεώργιος Πέππας\n Π ερίληψη\n Όσο η διείσδυση των φωτοβο λταϊκών συστημάτων στο δίκτυο ηλεκτρ ικής ενέργειας αυξάνεται τόσο περισσ ότερα ζητήματα ασφαλείας προκύπτουν. Για να διατηρηθούν η ποιότητα και η αξιοπιστία του δικτύου από τους δια χειριστές απαιτούνται προηγμένες τεχ νικές βελτιστοποίησης πέραν των κλασ ικών MPPT (Maximum Power Point Track ing) τεχνικών. \n Στην παρούσα διπλω ματική εργασία μελετώνται και συγκρί νονται αλγόριθμοι FPPT (Flexible Pow er Point Tracking), οι οποίοι επεκτε ίνουν την λειτουργικότητα των MPPT, με σκοπό να ελέγχεται η ισχύς του φω τοβολταϊκού συστήματος σε προκαθορισ μένα επίπεδα με βάση κανονισμούς και συνθήκες λειτουργίας του δικτύου, κ αθιστώντας τα φιλικά προς το ηλεκτρι κό δίκτυο ηλεκτρικής ενέργειας και π ροσφέροντας επιπλέον βοηθητικές λειτ ουργίες προς αυτό.\n Η τοπολογία που εξετάζεται είναι διπλού σταδίου-μον ής φάσης (single-phase two-stage Gri d Connected Photovoltaic Power Plant ), η οποία αποτελείται από το στάδιο ανύψωσης τάσης (DC-DC Boost Convert er) και το στάδιο του αντιστροφέα (D C-AC inverter). Στο πρώτο στάδιο εφα ρμόζονται οι αλγόριθμοι FPPT, ενώ το δεύτερο εξασφαλίζει συγχρονισμό με το ηλεκτρικό δίκτυο και την τήρηση τ ης ποιότητας της ισχύος προς αυτό.\n Οι τέσσερις αλγόριθμοι FPPT, οι οπο ίοι δοκιμάζονται σε εναλλακτικά σενά ρια λειτουργίας είναι οι εξής: ο γεν ικός αλγόριθμος ευέλικτης ισχύος, ο ευέλικτος αλγόριθμος δύο καταστάσεων , ο αλγόριθμος ευέλικτης ισχύος προσ αρμοσμένου βήματος και τέλος ο δυαδι κός αλγόριθμος ευέλικτης ισχύος.\n Η αξιολόγηση γίνεται με βάση τα εξής κριτήρια: χρόνος αποκατάστασης και σ φάλμα σε κατάσταση ισορροπίας υπό δυ ναμικές αλλαγές ακτινοβολίας/θερμοκρ ασίας και ικανότητα παρακολούθησης τ ης επιβαλλόμενης ισχύς.\n Τα αποτελέ σματα των προσομοιώσεων επιτρέπουν τ ην κατάταξη των τεσσάρων αλγορίθμων ευέλικτης ισχύος με βάση τις επιδόσε ις τους. Πιο συγκεκριμένα, τις καλύτ ερες αποδόσεις τις παρουσιάζουν ο πρ οσαρμοζόμενος αλγόριθμος μαζί με τον γενικό, ακολουθούμενοι από τον αλγό ριθμο δύο καταστάσεων και έπειτα τον δυαδικό αλγόριθμο ευέλικτης ισχύος. Ωστόσο, λαμβάνοντας υπόψη και την π ολυπλοκότητα υλοποίησης, υπερτερεί ο γενικός αλγόριθμος.\n Abstract \n A s the penetration of photovoltaic sy stems into the electrical power grid increases, a growing number of safe ty and stability issues arise. In or der to maintain power quality and re liability, system operators are requ ired to adopt advanced optimization techniques beyond the conventional M PPT (Maximum Power Point Tracking) m ethods.\n In this diploma thesis, FP PT (Flexible Power Point Tracking) a lgorithms are studied and compared. These algorithms extend the function ality of traditional MPPT techniques by enabling control of the photovol taic system power at predefined leve ls, in accordance with grid regulati ons and operating conditions. In thi s way, the photovoltaic systems beco me more grid-friendly while also pro viding additional ancillary services to the electrical grid.\n The exami ned topology is a single-phase, two- stage grid-connected photovoltaic po wer plant. It consists of a voltage boost stage (DC–DC Boost Converter) and an inverter stage (DC–AC inverte r). The FPPT algorithms are implemen ted at the first stage, while the se cond stage ensures synchronization w ith the electrical grid and complian ce with power quality requirements.\ n The four FPPT algorithms evaluated under various operating scenarios a re: the general flexible power algor ithm, the two-mode flexible power al gorithm, the adaptive-step flexible power algorithm, and the binary-base d flexible power algorithm.\n The ev aluation is carried out based on the following criteria: settling time a nd steady-state error under dynamic irradiance and temperature changes, as well as the ability to accurately track the imposed power reference.\ n The simulation results allow the c lassification of the four flexible p ower tracking algorithms based on th eir performance. Specifically, the a daptive algorithm together with the general algorithm exhibit the best p erformance, followed by the two-mode algorithm and finally the binary fl exible power tracking algorithm. How ever, also considering the implement ation complexity, the general algori thm is superior.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260220T110000 DTEND:20260220T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260218T103602Z LAST-MODIFIED:20260218T103602Z DTSTAMP:20260612T231001Z UID:1781295000_8315@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Παναγιώτη Γεωργακόπουλου – Παλτίδη - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8315&cHash=1346ba114e427fe 501e77678cb6d0a1a\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Παναγιώτη Γεωργ ακόπουλου – Παλτίδη\n με θέμα\n Υβρι δικά Argo Workflows με Kubernetes κα ι Slurm\n Hybrid Argo Workflows with Kubernetes and Slurm\n Εξεταστική Ε πιτροπή\n Αναπληρωτής Καθηγητής Βασί λειος Σαμολαδάς (επιβλέπων)\n Καθηγη τής Αντώνιος Δεληγιαννάκης\n Επίκουρ ος Καθηγητής Νικόλαος Γιατράκος\n Πε ρίληψη\n Υπάρχει αυξανόμενο ενδιαφέρ ον για την ενσωμάτωση παραδοσιακών δ ιαχειριστών φόρτου εργασίας HPC (Slu rm) και cloud native orchestrators ( Kubernetes) με στόχο την βελτιστοποι ημένη αξιοποίηση πόρων σε φόρτους ερ γασίας που μπορούν να επωφεληθούν κα ι από τις δύο αρχιτεκτονικές. Αυτό ε ίναι ιδιαίτερα αληθές σε πιο σύνθετε ς ροές επεξεργασίας δεδομένων που επ ιθυμούν να ενσωματώσουν τόσο βήματα cloud-native όσο και HPC στην ίδια ρ οή εργασίας, όπως στις ροές εργασίας ML (inference), βιοπληροφορική, ανά λυση δεδομένων, MPI και σε περιπτώσε ις όπου ο HPC Cluster διαθέτει περιο ρισμένο αποθηκευτικό χώρο και θέλουμ ε να εκτελέσουμε κάποια μορφή προεπε ξεργασίας δεδομένων. Αυτή η διπλωματ ική εργασία παρουσιάζει ένα εργαλείο που μπορεί να μεταφράσει μια γλώσσα υψηλού επιπέδου για υβριδικές ροές εργασίας Kubernetes και Slurm σε μια ροή εργασίας Argo, επιτρέποντάς μας να αξιοποιήσουμε τα πλεονεκτήματα κ άθε συστήματος χωρίς δυσκολίες. Το σ ύστημα χρησιμοποιεί ένα Argo workflo w template που ζει στο Kubernetes cl uster για να υποβάλει εργασίες στο S lurm μέσω SSH, διαχειρίζεται τη μετα φορά δεδομένων μεταξύ τους (S3 Stora ge) και δρομολογεί τις δουλειές με μ ια προεπιλεγμένη πολιτική προγραμματ ισμού βασισμένη στις εξαρτήσεις των βημάτων της ροής εργασίας. Επιπλέον, το εργαλείο παρέχει δυνατότητες επέ κτασης, επιτρέποντας στον χρήστη να ορίσει τον δικό του προσαρμοσμένο δρ ομολογητή που λειτουργεί πάνω από το ν προεγκατεστημένο δρομολογητή του S lurm.\n Abstract \n There is a growi ng interest in integrating tradition al HPC workload managers (Slurm) and cloud native orchestrators (Kuberne tes) in order to achieve optimized r esource utilization in workloads tha t can benefit from both architecture s. This is especially true in higher level data processing pipelines tha t want to integrate both Cloud-nativ e and HPC steps into the same workfl ow such as in ML pipelines (inferenc e), bioinformatics, data analysis, l arge-scale MPI workloads and in use cases where the HPC Cluster has limi ted storage and we want to execute s ome form of data pre-processing. Thi s Master’s thesis presents a tool th at can translate a high-level descri ptive language for hybrid Kubernetes and Slurm workflows into an Argo Wo rkflow allowing us to leverage each system’s strengths seamlessly. The s ystem uses an Argo workflow template that lives in the Kubernetes cluste r to submit jobs to Slurm through SS H and handles the data transfer betw een them (S3 Storage) and job priori tization with a default scheduling p olicy based on the dependencies of t he workflow steps. Additionally, the tool provides extensibility by allo wing the user to define his own cust om scheduler working on top of the p re-existing Slurm batch job schedule r.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260219T133000 DTEND:20260219T143000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260218T092033Z LAST-MODIFIED:20260218T092033Z DTSTAMP:20260612T231001Z UID:1781295000_8314@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Ραφαήλ Χατζηπαντελή - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8314&cHash=c37f58397011b8c a484a13fc6c0aa390\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ραφαήλ Χατζηπαν τελή\n με θέμα\n Έρευνα σε Εκπαιδεύσ ιμα Νευρομορφικά Ολοκληρωμένα Κυκλώμ ατα Χαμηλής Ισχύος\n Research toward s Low Power Trainable Neuromorphic I ntegrated Circuits\n Εξεταστική Επιτ ροπή\n Καθηγητής Ματτίας Μπούχερ (επ ιβλέπων)\n Αναπληρωτής Καθηγητής Ευά γγελος Καλογεράκης\n Δρ Κωνσταντίνος Βρυσσάς (ΑΡΓΩ ΗΜΙΑΓΩΓΟΙ Α.Ε.)\n Περ ίληψη\n Στην σύγχρονη εποχή, ο αριθμ ός των εφαρμογών που ενσωματώνουν τη ν Τεχνητή Νοημοσύνη (ΤΝ) αυξάνεται ρ αγδαία. Η ταχύτατη αυτή αύξηση έχει οδηγήσει στην ιλιγγιώδης ζήτηση ικαν ότερου και περίπλοκου υλικού λογισμι κού καθώς και ενεργειακών υποδομών. Τα Νευρωνικά Δίκτυα (ΝΔ) αποτελούν τ ην πλέον υιοθετημένη μορφή Τεχνητής Νοημοσύνης, υποσχόμενα εξαιρετικές ι κανότητες μοντελοποίησης και επίδοση ς, παραμένοντας όμως υπολογιστικά απ αιτητικά. Για την αντιμετώπιση αυτών των ζητημάτων, ερευνώνται διαφορετι κοί τύποι ενεργειακά αποδοτικότερων Νευρωνικών Δικτύων, όπως τα Αναλογικ ά Νευρωνικά Δίκτυα και τα Νευρομορφι κά συστήματα. Τα Νευρομορφικά Δίκτυα συνιστούν μία μορφή ΝΔ, υλοποιημένα σε επίπεδο υλικού εξοπλισμού, όπου τα δεδομένα κωδικοποιούνται απευθεία ς μέσα σε κυκλώματα, αναπαριστώμενα μέσω φυσικών μεγεθών όπως η τάση, το ρεύμα και η αγωγιμότητα. Στην παρού σα εργασία, ερευνήθηκε μία αναλογική υλοποίηση ενός ΝΔ με ένα μοναδικό κ ρυφό επίπεδο σε τεχνολογία 22nm 0.8V FDSOI, προσαρμόζοντας την σχεδίαση της προηγουμένως προτεινόμενης Εκπαι δεύσιμης Αναλογικής Μονάδας (ΕΑΜ), α ρχικά σχεδιασμένη σε τεχνολογία 65nm bulk CMOS. Για την ανάπτυξη του δικ τύου κρίθηκε απαραίτητη η προσαρμογή κυκλωμάτων καθρεπτών ρευμάτων, δικτ ύων M-2M, D/A μετατροπέων και τελεστ ικών ενισχυτών, με ορισμένες υλοποιή σεις να μην εμφανίζονται στην βιβλιο γραφία για την FDSOI τεχνολογία. Η π ροτεινόμενη προσέγγιση επιτυγχάνει μ έγιστη κατανάλωση 240nW ανά νευρώνα και μονάδας βάρους-εξόδου, διατηρώντ ας σταθερή απόδοση και υψηλή ακρίβει α πρόβλεψης.\n Abstract\n In today's world, the number of applications i ncorporating Artificial Intelligence (AI) is ever increasing. This rapid expansion of AI has led to the blis tering demands of faster, more compl ex hardware and energy requirements, raising significant infrastructure concerns. Among the various models o f AI, Neural Networks (NN) are one o f the most prominent and widely adop ted concepts, promising great modeli ng capabilities and generalization p erformance, yet being computationall y intensive. To address these issues , research is directed towards alter native, more energy efficient implem entations of Neural Networks, such a s Analog Neural Networks and Neuromo rphic systems. Neuromorphic Networks (NN) are a biologically-inspired, h ardware-based type of Neural Network , where the network's data are inscr ibed directly in the circuit and inf ormation is encoded in physical quan tities such as voltage, current, and conductance. In this work, an analo g implementation of a single hidden layer NN in 22nm 0.8V FDSOI technolo gy was studied, adapting the design of the previously proposed Trainable Analog Block (TAB), originally fabr icated in 65nm bulk CMOS. For the de velopment of the network circuits su ch as current mirrors, M-2M ladders, D/A Converters and operational ampl ifiers, had to be modified according ly, with some of these realizations not yet reported in the literature f or the FDSOI technology. A maximum p ower consumption of 240nW per neuron and output-weight block was achieve d, while maintaining robust and accu rate performance.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260220T171500 DTEND:20260220T181500 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260217T105518Z LAST-MODIFIED:20260217T105518Z DTSTAMP:20260612T231001Z UID:1781295000_8312@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Γεωργίου Κυριόπουλου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8312&cHash=a2b3c67297b9a24 ef4f55accb0a2dd43\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Γεωργίου Κυριόπ ουλου\n με θέμα\n Τοποθέτηση Μικροϋπ ηρεσιών σε Υποδομές Cloud-Fog-Edge μ ε χρήση Ενισχυτικής Μάθησης\n Micros ervice Placement in Cloud-Fog-Edge I nfrastructures using Reinforcement L earning\n Εξεταστική Επιτροπή\n Καθη γητής Ευριπίδης Πετράκης (επιβλέπων) \n Αναπληρωτής Καθηγητής Βασίλειος Σ αμολαδάς\n Επίκουρος Καθηγητής Ιωάνν ης Πευκιανάκης\n Περίληψη\n Οι σύγχρ ονες cloud-native εφαρμογές υλοποιού νται συχνά με αρχιτεκτονική μικροϋπη ρεσιών και αναπτύσσονται σε κατανεμη μένες υποδομές Kubernetes. Σε υποδομ ές μεγάλης κλίμακας, οι εφαρμογές εκ τείνονται συνήθως σε πολλαπλά Kubern etes clusters και οργανώνονται σε το πολογία cloud-fog-edge. Παρότι αυτή η αρχιτεκτονική στοχεύει στη βελτίωσ η της διαθεσιμότητας και στη μείωση της αντιλαμβανόμενης καθυστέρησης απ ό τον χρήση, εισάγει παράλληλα το πρ όβλημα της τοποθέτησης των υπηρεσιών . Η ετερογενής φύση των επιπέδων clo ud, fog και edge, τόσο ως προς τη δι αθέσιμη υπολογιστική ισχύ όσο και ως προς την καθυστέρηση του δικτύου, κ αθιστά τις στατικές στρατηγικές τοπο θέτησης ανεπαρκείς σε δυναμικά φορτί α.\n Η παρούσα διπλωματική εργασία ε ξετάζει το πρόβλημα της τοποθέτησης υπηρεσιών σε περιβάλλοντα Kubernetes πολλαπλών clusters και προτείνει μι α προσέγγιση βασισμένη στη μηχανική μάθηση και πιο συγκεκριμένα στη μέθο δο Deep Q-Learning. Το σύστημα αναπτ ύσσει έναν πράκτορα ενισχυτικής μάθη σης σε κάθε cluster, ο οποίος παρατη ρεί τις τοπικές μετρικές του συστήμα τος και αποφασίζει αν θα αναπτύξει, θα αφαιρέσει ή θα διατηρήσει τις υπη ρεσίες. Στόχος του πράκτορα είναι η εξισορρόπηση της απόκρισης των υπηρε σιών και της συνολικής απόδοσης του συστήματος, λαμβάνοντας υπόψη τους π εριορισμούς των διαθέσιμων πόρων του κάθε cluster.\n Το σύστημα υλοποιεί ται πάνω σε μια υποδομή Kubernetes μ ε χρήση της διανομής K3s. Η επικοινω νία υλοποιείται μέσω του service mes h Linkerd. Ο πράκτορας βασίζεται σε δεδομένα τα οποία συλλέγονται σε πρα γματικό από τα clusters και διαμορφώ νουν την κατάσταση του περιβάλλοντος της ενισχυτικής μάθησης.\n Για την αξιολόγηση της αποτελεσματικότητας τ ης προσέγγισης, πραγματοποιούνται πε ιράματα με τη χρήση δύο εφαρμογών βα σισμένων στην αρχιτεκτονική μικροϋπη ρεσιών. Προκειμένου να προσομοιωθεί η ρεαλιστική συμπεριφορά των χρηστών , δημιουργούνται δυναμικά φορτία. Η απόδοση του πράκτορα αξιολογείται κα ι συγκρίνεται με τις αρχικές στρατηγ ικές τοποθέτησης.\n Τα πειραματικά α ποτελέσματα δείχνουν ότι η προτεινόμ ενη προσέγγιση προσαρμόζεται αποτελε σματικά στις μεταβολές του φορτίου κ αι βελτιώνει τις αποφάσεις με την πά ροδο του χρόνου. Αξιοποιώντας το περ ιβάλλον, το σύστημα επιτυγχάνει χαμη λότερες καθυστερήσεις και πιο αποδοτ ική αξιοποίηση των διαθέσιμων πόρων. Τα ευρήματα αυτά αναδεικνύουν τη δυ ναμική της ενισχυτικής μάθησης ως λύ ση για την τοποθέτηση υπηρεσιών σε κ ατανεμημένα περιβάλλοντα Kubernetes. \n Abstract \n Modern cloud-native a pplications are often built using th e microservice architecture and depl oyed across distributed Kubernetes i nfrastructures. In large-scale deplo yments, applications usually span mu ltiple Kubernetes clusters and are o rganized in a cloud-fog-edge topolog y. While this architecture focuses o n improving availability and reducin g user-perceived latency, it also in troduces the problem of service plac ement. The heterogeneous nature of c loud, fog, and edge layers in terms of resource capacity and network lat ency makes static or heuristic-based placement strategies insufficient u nder dynamic workloads.\n This thesi s investigates the problem of servic e placement in multi-cluster Kuberne tes environments and proposes a lear ning-based approach based on Deep-Q Learning. The system deploys a reinf orcement learning agent at each clus ter. Each agent observes the local s ystem metrics and decides whether to deploy, remove, or retain services. The objective of the agent is to ba lance service responsiveness and sys tem throughput while respecting the cluster's resource constraints.\n Th e system is implemented on top of a lightweight Kubernetes infrastructur e using a single-node K3s architectu re. Inter-cluster communication and traffic routing are handled through the Linkerd service mesh. The agent relies on real-time monitoring data collected from the clusters. These m etrics form the environment state of the reinforcement learning model.\n To evaluate the approach's effectiv eness, experiments are conducted usi ng two microservice-based benchmark applications. Dynamic workloads are generated using a load-testing frame work, to simulate realistic user beh avior and demand. The performance of the Deep Q-learning-based placement strategy is assessed and compared a gainst baseline placement strategies .\n The experimental results demonst rate that the learning-based approac h adapts effectively to workload cha nges and improves service placement decisions over time. By leveraging f eedback from the environment, the sy stem achieves lower latencies and mo re efficient resource utilization. T hese findings highlight the potentia l of reinforcement learning as a sol ution for dynamic service placement in distributed Kubernetes environmen ts.\n Meeting ID: 613 764 0471\n Pas sword: 582678\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260220T150000 DTEND:20260220T160000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260217T082859Z LAST-MODIFIED:20260217T082859Z DTSTAMP:20260612T231001Z UID:1781295000_8310@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Λαζάρου Χαραλαμπίδη - Σχολή ΗΜΜΥ LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 141Π-36,1 41Π-37 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8310&cHash=956540e15d5b3c9 13a43fadc6833f6f9\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Λαζάρου Χαραλαμ πίδη\n με θέμα\n Διάγνωση και Ερμηνε ία Σφαλμάτων Καλωδίων Μέσης Τάσης με χρήση Μερικών Εκκενώσεων\n Diagnosi s and Interpretation of Medium Volta ge Cable Faults Using Partial Discha rges\n Εξεταστική Επιτροπή\n Επίκουρ ος Καθηγητής Γεώργιος Πέππας (Επιβλέ πων) \n Καθηγητής Κωνσταντίνος Γυφτά κης\n Καθηγητής Ευτύχιος Κουτρούλης\ n Περίληψη\n Η παρούσα διπλωματική ε ργασία πραγματεύεται τη διάγνωση και ερμηνεία σφαλμάτων σε υπόγεια δίκτυ α Μέσης Τάσης, με έμφαση στη χρήση μ ετρήσεων μερικών εκκενώσεων (Partial Discharges – PD) στο πλαίσιο δοκιμώ ν Very Low Frequency (VLF) και άλλων σύγχρονων διαγνωστικών τεχνικών πεδ ίου. Η αυξανόμενη τάση υπογειοποίηση ς των δικτύων ηλεκτρικής διανομής, ι διαίτερα σε περιοχές αυξημένου περιβ αλλοντικού κινδύνου, καθιστά αναγκαί α την ανάπτυξη αξιόπιστων μεθόδων αξ ιολόγησης της κατάστασης της μόνωσης , καθώς τα υπόγεια καλώδια δεν είναι άμεσα προσβάσιμα και οι αστοχίες το υς συχνά εκδηλώνονται χωρίς προειδοπ οίηση.\n Στο πλαίσιο της εργασίας πα ρουσιάζεται το θεωρητικό υπόβαθρο τω ν φαινομένων μερικών εκκενώσεων και των δοκιμών VLF, καθώς και η μεθοδολ ογία μέτρησης και ανάλυσης που εφαρμ όζεται σε πραγματικές συνθήκες πεδίο υ. Ακολουθεί η παρουσίαση πειραματικ ών μετρήσεων σε δίκτυα Μέσης Τάσης, με ανάλυση PRPD διαγραμμάτων, χωρική χαρτογράφηση της δραστηριότητας μερ ικών εκκενώσεων και αξιολόγηση διαγν ωστικών δεικτών όπως οι τάσεις έναρξ ης και εξάλειψης μερικών εκκενώσεων. \n Ιδιαίτερη έμφαση δίνεται στη διάκ ριση μεταξύ δραστηριότητας που σχετί ζεται με γενικευμένη υποβάθμιση της μόνωσης και φαινομένων τοπικού χαρακ τήρα, όπως προβλήματα στις ευθείες σ υνδέσεις καλωδίου, ακόμη και σε καιν ούρια δίκτυα μέσης τάσης. Τα αποτελέ σματα αναδεικνύουν τη σημασία της συ νδυαστικής αξιολόγησης των μετρήσεων και υπογραμμίζουν τον ρόλο των μερι κών εκκενώσεων ως εργαλείου προληπτι κής διάγνωσης και αξιόπιστης λειτουρ γίας των σύγχρονων δικτύων Μέσης Τάσ ης.\n Λέξεις κλειδιά: Καλώδια μέσης τάσης, υπόγεια καλώδια, μερικές εκκε νώσεις, Very Low Frequency (VLF), δι άγνωση σφαλμάτων, PRPD διαγράμματα, χωρική χαρτογράφηση PD, συνδέσεις κα λωδίων, προληπτική συντήρηση\n Abstr act \n This diploma thesis focuses o n the diagnosis and interpretation o f faults in medium-voltage undergrou nd cable systems, with emphasis on t he application of partial discharge (PD) measurements under Very Low Fre quency (VLF) testing and other moder n field diagnostic techniques. The i ncreasing trend toward the undergrou nding of power distribution networks , particularly in areas exposed to e levated environmental risks, highlig hts the need for reliable insulation condition assessment methods, since underground cables are not directly accessible and their failures often occur without visible warning signs .\n The thesis presents the theoreti cal background of partial discharge phenomena and VLF testing, along wit h the measurement methodology and an alysis techniques applied under real field conditions. Experimental meas urements on medium-voltage cable sys tems are presented, including PRPD d iagram analysis, spatial PD mapping, and evaluation of key diagnostic in dicators such as partial discharge i nception and extinction voltages.\n Special emphasis is placed on distin guishing between PD activity associa ted with generalized insulation degr adation and localized phenomena, suc h as defects in joints and cable acc essories, even in newly installed ne tworks. The results highlight the im portance of a combined diagnostic ap proach and demonstrate the value of partial discharge measurements as a tool for preventive diagnostics and reliable operation of modern medium- voltage distribution networks.\n Key words: Medium Voltage, underground c ables, partial discharges, Very Low Frequency (VLF), fault diagnosis, PR PD diagrams, PD mapping, cable joint s, preventive maintenance\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260219T110000 DTEND:20260219T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260216T081928Z LAST-MODIFIED:20260216T081928Z DTSTAMP:20260612T231001Z UID:1781295000_8304@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Αλεξάνδρου Αβραάμ - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8304&cHash=8352749e55d57a5 03d930c553f7ee3c3\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Αλεξάνδρου Αβρα άμ \n με θέμα\n Ομοσπονδοποιημένη Μά θηση Επιδημιακών Χωροχρονικών Μοντέλ ων \n Federated Learning of Spatiote mporal Epidemic Models\n Εξεταστική Επιτροπή\n Αναπληρωτής Καθηγητής Βασ ίλειος Σαμολαδάς (επιβλέπων)\n Καθηγ ητής Αντώνιος Δεληγιαννάκης\n Καθηγη τής Θρασύβουλος Σπυρόπουλος \n Περίλ ηψη\n Η διπλωματική παρουσιάζει ένα καινοτόμο πλαίσιο Ομοσπονδοποιημένης Μάθησης για την ανάλυση χωροχρονικώ ν μοντέλων, με έμφαση στην πανδημία COVID-19. Γίνεται χρήση του αλγορίθμ ου Approximate Bayesian Computation Sequential Monte Carlo για την εκτίμ ηση παραμέτρων χωρίς τη χρήση της συ νάρτησης πιθανοφάνειας. Προσφέροντας μία λύση σε ντετερμινιστικά και στο χαστικά συστήματα. Η μεθοδολογία επι κυρώθηκε με τα μοντέλα Lotka - Volte rra, Susceptible - Infected - Recove red (SIR) πριν εφαρμοστεί στο προηγμ ένο μοντέλο Episim για τα δεδομένα τ ης Ισπανίας. Για να αντιμετοσπιστεί το ακριβό κόστος προσωμοίωσης με τον Episim, ενσωματώθηκε το πλαίσιο Das k Distributed για την παραλληλοποίησ η των διεργασιών. Στόχος της εργασία ς είναι η διασφάλιση της ιδιωτικότητ ας ευαίσθητων ιατρικών δεδομένων μέσ α από μια ομοσπονδοποιημένη τοπολογί α. Τα αποτελέσματα δείχνουν ότι το σ ύστημα συγκλίνει αποτελεσματικά στις πραγματικές επιδημιολογικές παραμέτ ρους χωρίς την ανταλλαγή ευαίσθητων δεδομένων. Προσφέρει ένα επεκτάσιμο εργαλείο για τη εύρεση σημαντικών επ ιδημιολογικών παραμέτρων σε πραγματι κό χρόνο.Ταυτόχρονα, αναδεικνύει τη σημασία της ομοσπονδοποιημένης αρχιτ εκτονικής στη διαχείριση γεωγραφικά δεσπαρμένων και ευαίσθητων πηγών πλη ροφορίας.\n Abstract \n This thesis presents an innovative Federated Lea rning framework for the analysis of spatiotemporal models, with a specif ic focus on the COVID-19 pandemic. T he methodology utilizes the Approxim ate Bayesian Computation Sequential Monte Carlo algorithm for parameter estimation, enabling inference in de terministic and stochastic systems w here the likelihood function is comp utationally intractable. The propose d framework was first validated usin g the Lotka - Volterra and Susceptib le - Infected - Recovered (SIR) mode ls before being applied to Episim, a n advanced epidemiological model, us ing data from Spain. To address the high computational demands of Episim simulations, the Dask Distributed f ramework was integrated to enable pa rallel processing. The primary objec tive of this research is to ensure t he privacy of sensitive medical data through a federated topology. The r esults demonstrate that the system e ffectively converges to the actual e pidemiological parameters without th e need for raw data exchange. Ultima tely, this work provides a tool for real time important epidemiological parameters estimation and highlights the critical role of a federated ar chitecture in managing geographicall y dispersed and sensitive informatio n sources.\n Meeting ID: 972 5703 03 68 \n Password: 000731\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260217T120000 DTEND:20260217T130000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260213T133628Z LAST-MODIFIED:20260213T133628Z DTSTAMP:20260612T231001Z UID:1781295000_8303@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Ειρήνης Κυπαράκη - Σχολή ΗΜΜΥ LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 141Π-36,1 41Π-37 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8303&cHash=cf9b98ceb6f736d 40afae2642f9b5d4e\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ειρήνης Κυπαράκ η\n με θέμα\n Μελέτη και Προσομοίωση Κυματομορφών Κεραυνικών Πληγμάτων σ ε Αεροσκάφη\n Study and Simulation o f Lightning Strike Waveforms on Airc raft\n Εξεταστική Επιτροπή\n Επίκουρ ος Καθηγητής Γεώργιος Πέππας (επιβλέ πων)\n Καθηγητής Κωνσταντίνος Γυφτάκ ης\n Αναπληρωτής Καθηγητής Ανδρέας Γ ιώτης (ΠΚ, Σχολή ΜΗΧΟΠ)\n Περίληψη\n Η παρούσα διπλωματική εργασία εξετά ζει την ηλεκτρομαγνητική απόκριση αε ροσκαφών που αποτελούνται από σύνθετ ες δομές κατά τη διάρκεια άμεσου κερ αυνικού πλήγματος. Μεγαλύτερη έμφαση δίνεται στο Airbus A350, του οποίου η άτρακτος κατασκευάζεται κυρίως απ ό Πολυμερές Ενισχυμένο με Ανθρακονήμ ατα (Carbon Fiber Reinforced Polymer – CFRP). Σε αντίθεση με τα παραδοσι ακά μεταλλικά αεροσκάφη, το CFRP παρ ουσιάζει ανισοτροπική και σημαντικά χαμηλότερη ηλεκτρική αγωγιμότητα, με αποτέλεσμα μη ομοιόμορφη ροή ρεύματ ος, αυξημένα ηλεκτρικά πεδία και πιθ ανή βλάβη κατά την πρόσπτωση κεραυνο ύ. Στόχος της παρούσας εργασίας είνα ι η ανάλυση του τρόπου με τον οποίο το κεραυνικό ρεύμα διαδίδεται στην ε πιφάνεια ενός αεροσκάφους από CFRP κ αι ο εντοπισμός κρίσιμων περιοχών όπ ου τα ηλεκτρομαγνητικά πεδία και οι πυκνότητες ρεύματος συγκεντρώνονται. \n Εφαρμόζεται μια ολοκληρωμένη προσ έγγιση μοντελοποίησης στο πεδίο του χρόνου με χρήση του COMSOL Multiphys ics 6.2 και της διεπαφής Electromagn etic Waves, Transient,Time-dependent . Χρησιμοποιείται ένα λεπτομερές τρι σδιάστατο μοντέλο του Airbus A350, τ ο οποίο ενσωματώνει ορισμούς υλικών CFRP, σιδηρούχα δομικά στοιχεία και προσεγγίσεις τέλειου αγωγού για το μ οντέλο του αεροσκάφους. Μια τυποποιη μένη παροδική κυματομορφή κεραυνού ε φαρμόζεται στη μύτη του αεροσκάφους και τα προκύπτοντα ηλεκτρικά πεδία, μαγνητικά πεδία, ρεύματα και θερμικά φαινόμενα μελετώνται σε όλο το αερο σκελετό.\n Τα αποτελέσματα της προσο μοίωσης αποκαλύπτουν έντονη διοχέτευ ση ρεύματος κατά μήκος διεπιφανειών σύνθετων υλικών και ισχυρή ενίσχυση πεδίου κοντά στη μύτη και στα πρόσθι α χείλη. Τα ευρήματα συμβάλλουν στην κατανόηση του τρόπου με τον οποίο τ α αεροσκάφη από CFRP ανταποκρίνονται στην παροδική αλληλεπίδραση κεραυνο ύ-ύλης και υποστηρίζουν την ανάπτυξη αποτελεσματικότερων στρατηγικών αντ ικεραυνικής προστασίας για σύγχρονου ς σύνθετους αεροπορικούς φορείς.\n A bstract \n This thesis examines the electromagnetic response of aircraft that are composed of composite stru ctures during a direct lightning str ike. A bigger emphasis was given on Airbus A350, whose fuselage is prima rily constructed from Carbon Fiber R einforced Polymer (CFRP). Unlike tra ditional metallic airframes, CFRP ex hibits anisotropic and significantly lower electrical conductivity, resu lting in non-uniform current flow, e levated electric fields, and potenti al damage during a lightning attachm ent. The aim of this work is to anal yze how lightning current propagates over a CFRP aircraft surface and to identify critical regions where ele ctromagnetic fields and current dens ities become concentrated.\n A compr ehensive time-domain modelling appro ach is implemented using COMSOL Mult iphysics 6.2 and the Electromagnetic Waves, Transient,Time-dependent. in terface. A detailed 3D model of the Airbus A350 is employed, incorporati ng CFRP material definitions, iron-b ased structural components, and perf ect-conductor approximations for the aircraft model. A standard transien t lightning waveform is injected at the aircraft nose, and the resulting electric fields, magnetic fields, c urrents, and thermal effects are stu died across the airframe.\n The simu lation results reveal pronounced cur rent channeling along composite inte rfaces, strong field intensification near the nose and leading edges. Th e findings contribute to understandi ng how CFRP aircraft respond to tran sient lightning-matter interaction a nd support the development of more e ffective lightning protection strate gies for modern composite airframes. \n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260218T110000 DTEND:20260218T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260212T095445Z LAST-MODIFIED:20260212T095445Z DTSTAMP:20260612T231001Z UID:1781295000_8291@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Δημητρίου Αγγελόπουλου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8291&cHash=5310db9c5972de2 61e51263ea576f198\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Δημητρίου Αγγελ όπουλου\n με θέμα\n Συνεργατικός Προ σαρμοστικός Έλεγχος Πλοήγησης Συστοι χιών Οχημάτων με Αντιστάθμιση Καθυστ έρησης Αξιοποιώντας την Τοπολογία Επ ικοινωνίας πολλαπλών-προηγούμενων-ακ όλουθων\n Delay-Compensating Coopera tive Adaptive Cruise Control of Vehi cular Platoons Utilizing Multiple-Pr edecessor-Following Communication To pology\n Εξεταστική Επιτροπή\n Αναπλ ηρωτής Καθηγητής Νικόλαος Μπεκιάρης- Λυμπέρης (επιβλέπων)\n Καθηγητής Διο νύσιος Χριστόπουλος\n Amirhossein Sa mii (PhD ECE, TUC)\n Περίληψη\n Ο Συ νεργατικός Προσαρμοστικός Έλεγχος Πλ οήγησης (ΣΠΕΠ) και η εξέλιξη του στη ν έρευνα καθιερώνει έναν από τους κύ ριους λόγους που τα ευφυή συστήματα μεταφοράς έχουν βελτιωθεί τα τελευτα ία χρόνια. Πιο συγκεκριμένα, αυτή η μεθοδολογία ελέγχου στοχεύει να βελτ ιώσει την ασφάλεια και την αποδοτικό τητα ενώ ταυτόχρονα εγγυάται εν σειρ ά ευστάθεια των συστοιχιών οχημάτων. Η ανταλλαγή πληροφορίας μεταξύ των οχημάτων που χρησιμοποιούν ΣΠΕΠ δημι ουργεί μία σύγχρονη στρατηγική ελέγχ ου που έχει καλύτερες επιδόσεις από κλασσικές μεθόδους Προσαρμοστικού Ελ έγχου Πλοήγησης (ΠΕΠ). Ως αποτέλεσμα , οι ταλαντώσεις που δημιουργούνται στην κίνηση εξαλείφονται και η διάδο ση διαταραχών στις διασυνδεδεμένες σ υστοιχίες οχημάτων εξαφανίζονται. Απ ό την άλλη, η πρακτική εφαρμογή τέτο ιων ελεγκτών έχει μερικές δυσκολίες. Μία από αυτές είναι η καθυστέρηση ε ισόδου, όπου το σήμα ελέγχου δεν εφα ρμόζεται αμέσως στο σύστημα, ενώ άλλ ες πηγάζουν από την ετερογένεια μετα ξύ των οχημάτων. Αυτές οι προκλήσεις , μπορούν να μειώσουν σημαντικά την απόδοση αλλά και ακόμα να υποβαθμίσο υν την ευστάθεια καθενός από τα οχήμ ατα και την εν σειρά ευστάθεια των σ υστοιχιών οχημάτων. Έτσι, ένας νόμος βασισμένος σε προβλέψεις ΣΠΕΠ εισάγ εται, για ετερογενή οχήματα, κάτω απ ό σταθερές καθυστερήσεις. Αυτή η εργ ασία θεωρεί ένα εν σειρά σύνολο διασ υνδεδεμένων συστοιχιών οχημάτων που αξιοποιούν την τοπολογία επικοινωνία ς Πολλαπλών-Προηγούμενων-Ακολούθων ( ΠΠΑ).\n Ο προτεινόμενος ελεγκτής είν αι βασισμένος στην σχεδίαση ενός ονο μαστικού, χωρίς καθυστερήσεις, ΣΠΕΠ. Συνεχίζοντας, αξιοποιώντας τον παρα πάνω ενσωματώνουμε έναν μηχανισμό πρ όβλεψης έτσι ώστε να αντισταθμίσουμε την καθυστέρηση εισόδου. Αυτός ο ελ εγκτής, ανατροφοδοτεί τα σφάλματα τω ν καταστάσεων απόστασης, ταχύτητας κ αι επιτάχυνσης ώστε να πετύχει εξασθ ένηση των διαταραχών και βελτιωμένη απόδοση. Ταυτόχρονα, παρέχεται και μ ία ανάλυση των παραμέτρων ελέγχου έτ σι ώστε να τονιστεί η σημασία των πα ραμέτρων σχεδίασης, όπως η χρονική α πόσταση μεταξύ δύο οχημάτων και ο αρ ιθμός των ακολούθων με τους οποίους υπάρχει επικοινωνία. Επίσης μία περι εκτική ανάλυση της ευστάθειας και τη ς εν σειρά ευστάθειας των συστοιχιών οχημάτων παρουσιάζεται. Αυτή η ανάλ υση είναι βασισμένη σε αναπαραστάσει ς συναρτήσεων μεταφοράς σε σχέση με τα σφάλματα ταχυτήτων. Πάνω σε αυτό το πλαίσιο, δίνεται έμφαση στην ετερ ογένεια και στην αντιστάθμιση της κα θυστέρησης, ενώ ταυτόχρονα παράγοντα ι αναγκαίες συνθήκες για την εν σειρ ά ευστάθεια των συστοιχιών οχημάτων. Τα αποτελέσματα δείχνουν πως η χρήσ η ενός ΣΠΕΠ βασισμένο σε μηχανισμό π ρόβλεψης μπορεί εξαφανίσει τις καθυσ τερήσεις και να μειώσει την χρονική απόσταση μεταξύ δύο οχημάτων. Τέλος, παρέχονται αριθμητικές προσομοιώσει ς, με στόχο να επαληθεύσουν την θεωρ ητική ανάλυση. Τα πειράματα δείχνουν πώς οι καθυστερήσεις, η ετερογένεια και η τοπολογία επικοινωνίας επηρεά ζουν την ευστάθεια του συστήματος. Δ είχνουν επίσης πώς ο μηχανισμός πρόβ λεψης αντισταθμίζει πλήρως τις καθυσ τερήσεις και βελτιώνει την απόδοση.\ n Abstract \n Cooperative Adaptive C ruise Control (CACC) and its evoluti on in recent research constitute one of the primary reasons that intelli gent transportation systems have see n such great improvements over the l ast few years. Particularly, this co ntrol methodology aims to improve sa fety and efficiency while simultaneo usly guaranteeing string stability o f the platoon of vehicles. Informati on exchange between vehicles that us e CACC creates a state-of-the-art co ntrol strategy that outperforms clas sical Adaptive Cruise Control (ACC) methods. As a result, traffic oscill ations are eliminated, and disturban ce propagation in the platoon vanish es. On the other hand, the practical implementation of such controllers also comes with some difficulties. O ne of these includes actuation delay s, where the control signal is not i mposed instantly, while others stem from the heterogeneity of the platoo ns. These challenges can significant ly reduce performance and even degra de individual vehicle stability and string stability. Thus, a predictor- based CACC law is introduced for het erogeneous platoons under constant d elays. The main goal is to achieve b oth individual vehicle stability and string stability under these condit ions. This work considers a platoon model where each vehicle is inter-co nnected utilizing the Multiple-Prede cessor-Following (MPF) communication topology.\n The proposed controller is based on a nominal delay-free CA CC design. Continuing, we build upon this framework and incorporate a pr edictor-based mechanism to compensat e for the presence of actuation dela ys. This controller provides feedbac k on the spacing, speed, and acceler ation errors in order to achieve dis turbance attenuation and improved pe rformance. At the same time, an anal ysis regarding the control parameter s is provided in order to highlight the importance of the design paramet ers, such as the time headway and th e number of predecessor vehicles com munication. A comprehensive analysis of stability and string stability i s presented. This analysis is based on transfer function representations with respect to the speed errors. U pon this framework, strong emphasis on heterogeneity and delay-compensat ion is given, while also sufficient conditions for string stability are also generated. The results show tha t the use of a predictor-based CACC law effectively eliminates input del ays while simultaneously significant ly reducing time headway. Finally, n umerical simulations are presented, with the goal to validate the theore tical analysis. The experiments show how delays, heterogeneity and infor mation topology affect the stability of the system. They also show how t he predictor-based CACC methodology compensates for the delays while imp roving performance.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260216T100000 DTEND:20260216T110000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260212T085435Z LAST-MODIFIED:20260212T085435Z DTSTAMP:20260612T231001Z UID:1781295000_8290@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Παναγιώτη Κόντου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8290&cHash=15c20e744b674ca 0ca8ea48c8c9b82a9\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Παναγιώτη Κόντο υ \n με θέμα\n Επίδραση Γήρανσης στη Διηλεκτρική Αντοχή Υγρών Διηλεκτρικ ών\n Effect of Aging on the Dielectr ic Strength of Liquid Dielectrics\n Εξεταστική Επιτροπή\n Επίκουρος Καθη γητής Γεώργιος Πέππας (επιβλέπων)\n Καθηγητής Ευτύχιος Κουτρούλης\n Αναπ ληρωτής Καθηγητής Θωμάς Τσοβίλης (ΑΠ Θ, Τμήμα ΗΜΜΥ)\n Περίληψη\n Η παρούσ α διπλωματική εργασία πραγματεύεται τη μελέτη της διηλεκτρικής αντοχής ν ανοελαίων γηρασμένου φυσικού εστέρα και ειδικότερα του ελαίου FR3, με πρ όσμιξη νανοσωματιδίων οξειδίου του σ ιδήρου (Fe2O3), υπό διαφορετικές συν θήκες αφύγρανσης και υπερήχησης. Στό χος της εργασίας είναι η διερεύνηση της επίδρασης της συγκέντρωσης νανοσ ωματιδίων, της χρονικής γήρανσης, κα θώς την επίδραση διαφορετικών προτόκ ολλων προετοιμασίας, δηλαδή υπερήχησ ης και αφύγρανσης στη στατιστική συμ περιφορά της τάσης διάσπασης.\n Η πε ιραματική διαδικασία πραγματοποιήθηκ ε σύμφωνα με το πρότυπο IEC 60156, ε νώ τα αποτελέσματα αναλύθηκαν με χρή ση της κατανομής Weibull, επιτρέποντ ας την αξιολόγηση της διηλεκτρικής α ντοχής με όρους αξιοπιστίας και όχι μόνο μέσω μέσων τιμών. Ιδιαίτερη έμφ αση δόθηκε στα χαμηλά ποσοστιαία επί πεδα πιθανότητας (1%), τα οποία είνα ι κρίσιμα για την σχεδίαση αξιόπιστω ν υγρών διηλεκτρικών σε εφαρμογές με τασχηματιστών υψηλής τάσης.\n Τα απο τελέσματα δείχνουν ότι η προσθήκη να νοσωματιδίων Fe2O3 μπορεί, υπό συγκε κριμένες συγκέντρωσης και πρωτοκόλλω ν προετοιμασίας, να οδηγήσει σε βελτ ίωση της διηλεκτρικής αντοχής, ενώ π αράλληλα αναδεικνύεται ο καθοριστικό ς ρόλος της υπερήχησης στη σταθερότη τα της διασποράς και στη διαμόρφωση της στατιστικής κατανομής της τάσης διάσπασης. Αντίθετα, η γήρανση επηρε άζει σημαντικά τόσο τις μέσες τιμές όσο και τις παραμέτρους της κατανομή ς Weibull, γεγονός που υπογραμμίζει τη σημασία της μακροχρόνιας αξιολόγη σης των νανοελαίων.\n Συνολικά, η ερ γασία συμβάλλει στην κατανόηση των μ ηχανισμών που διέπουν τη διηλεκτρική συμπεριφορά νανοελαίων φυσικού εστέ ρα και αναδεικνύει τη χρησιμότητα τη ς στατιστικής προσέγγισης Weibull γι α την αξιόπιστη αξιολόγηση υγρών διη λεκτρικών σε εφαρμογές υψηλής τάσης. \n Abstract \n This diploma thesis i nvestigates the dielectric strength of aged natural ester insulating nan ofluids, focusing on FR3 oil enhance d with iron oxide (Fe2O3) nanopartic les, under different dehydration and ultrasonication conditions. The mai n objective is to examine the influe nce of nanoparticle concentration, t emporal aging, as well as the influe nce of various preparation protocols , meaning diffrent ultrasonication a nd dehydration processes on the stat istical behavior of breakdown voltag e.\n The experimental procedure was conducted in accordance with IEC 601 56, while the obtained breakdown vol tage data were analyzed using the We ibull distribution. This approach en ables a reliability-oriented evaluat ion of dielectric strength, extendin g beyond mean values and emphasizing low-probability percentiles (1%), w hich are of particular importance fo r the design of reliable liquid diel ectrics for high-voltage transformer applications.\n The results indicat e that the addition of Fe2O3 nanopar ticles can lead to an enhancement of dielectric strength under specific concentration levels and preparation conditions, while the crucial impor tance of ultrasonication is highligh ted in the dispersion stability and the significant effects on the param eters of the breakdown voltage stati stical distribution. Conversely, agi ng has a pronounced impact on both t he average breakdown voltage and the Weibull parameters, showcasing the necessity of long-term assessment wh en evaluating the performance of die lectric nanofluids.\n Overall, this work contributes to a deeper underst anding of the mechanisms governing t he dielectric behavior of natural es ter-based nanofluids and demonstrate s the effectiveness of Weibull stati stical analysis as a robust tool for assessing dielectric reliability in high-voltage insulation systems.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260213T110000 DTEND:20260213T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260210T105756Z LAST-MODIFIED:20260210T105756Z DTSTAMP:20260612T231001Z UID:1781295000_8280@tuc.gr SUMMARY:Παρουσίαση μεταπτυχιακής εργασίας κ. Αποστόλου Λαζίδη, Σχολή HMMY LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8280&cHash=cbb4eb0ebeb1045 9e8f4f945d59f08ae\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Μ εταπτυχιακών (Διδακτορικών) Σπουδών\ n ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ  \n Αποστόλου Λαζίδη\n με θέμα\n Βέλτ ιστη Ανάθεση Υπολογιστικών Κόμβων κα ι Δρομολόγηση Επικοινωνίας με Επίγνω ση Καθυστέρησης στο Kubernetes\n Lat ency Optimized Node and Traffic Sche duling in Kubernetes\n Εξεταστική Επ ιτροπή\n Καθηγητής Ευριπίδης Πετράκη ς (επιβλέπων)\n Καθηγητής Μιχαήλ Λαγ ουδάκης\n Αναπληρωτής Καθηγητής Βασί λειος Σαμολαδάς \n Περίληψη\n Οι μικ ροϋπηρεσίες σε containers αποτελούν το πρότυπο για την ανάπτυξη σύγχρονω ν εφαρμογών, προσφέροντας βελτιωμένη απομόνωση σφαλμάτων, δυνατότητα κλι μάκωσης και υψηλή ανθεκτικότητα. Για να διασφαλιστεί η ανοχή σε σφάλματα , οι μικροϋπηρεσίες πρέπει να κλιμακ ώνονται οριζόντια με την ανάπτυξη πο λλαπλών αντιγράφων, ενώ η υψηλή διαθ εσιμότητα επιτυγχάνεται με την τοποθ έτησή τους σε πολλαπλούς εξυπηρετητέ ς. Το Kubernetes αποτελεί ένα ισχυρό εργαλείο ενορχήστρωσης που διαχειρί ζεται τον κύκλο ζωής των εφαρμογών σ ε containers, παρέχοντας λειτουργίες αυτόματης κλιμάκωσης, αυτόματης απο κατάστασης και ανακάλυψης υπηρεσιών. O Horizontal Pod Autoscaler (HPA) ε ίναι το εργαλείο του Kubernetes για την αναπαραγωγή αντιγράφων των μικρο ϋπηρεσιών σε containers (Pods). Τα P ods σε μια εφαρμογή επικοινωνούν μετ αξύ τους. Κατά την κλιμάκωση, ιδανικ ά πρέπει να τοποθετούνται βάσει της συχνότητας της μεταξύ τους επικοινων ίας, ώστε να ελαχιστοποιείται η καθυ στέρηση μεταξύ των κόμβων (Nodes). Η μείωση της επικοινωνίας μεταξύ απομ ακρυσμένων κόμβων μπορεί να βελτιώσε ι σημαντικά τον χρόνο απόκρισης και να μειώσει το κόστος υποδομής όταν τ ο Kubernetes τρέχει σε έναν πάροχο c loud. Ωστόσο, ο HPA βασίζεται στον π ροεπιλεγμένο Kubernetes Scheduler γι α την τοποθέτηση των νέων Pods στους κόμβους, κάτι που μπορεί να οδηγήσε ι σε μη βέλτιστη κατανομή, καθώς ο S cheduler δεν λαμβάνει υπόψη τα πρότυ πα επικοινωνίας των Pods (inter/intr a-node ή inter/intra-cluster επικοιν ωνία). Πέραν της κλιμάκωσης, το Kube rnetes βασίζεται εξ ορισμού στα ipta bles για τη δρομολόγηση των αιτημάτω ν προς τα κατάλληλα Pods. Ωστόσο, τα iptables χρησιμοποιούνε έναν αλγόρι θμο τυχαιότητας και δεν λαμβάνουν υπ όψη την καθυστέρηση μεταξύ κόμβων, τ η χρήση πόρων των Pods ή τον αριθμό διαθέσιμων αντιγράφων, οδηγώντας σε υπερφορτωμένα Pods και μεγάλες καθυσ τερήσεις όταν τα αιτήματα εξυπηρετού νται από απομακρυσμένους κόμβους. Γι α την αντιμετώπιση του προβλήματος τ ης τοποθέτησης των Pods και της αποτ ελεσματικής κατανομής φορτίου στο Ku bernetes, παρουσιάζουμε το StornX. Τ ο StornX είναι ένας μηχανισμός αυτόμ ατης κλιμάκωσης αντιγράφων και δρομο λόγησης αιτημάτων που κατανέμει βέλτ ιστα τα αντίγραφα Pod εντός του Kube rnetes cluster και μεταξύ των ζωνών διαθεσιμότητας στη περίπτωση του υπο λογιστικού νέφους, βελτιώνει την από δοση μέσω συντοποθέτησης επιπλέον αν τιγράφων και διαχειρίζεται δυναμικά τη κατανομή αιτημάτων χρησιμοποιώντα ς τα βάρη τοπολογίας του Istio Servi ce Mesh. Δρομολογεί τα αιτήματα σε σ υντοποθετημένα αντίγραφα και απομακρ ύνοντάς τα από Pods που φτάνουν τα ο ρισμένα όρια φόρτου, στελνοντάς τα σ ε Pods με διαθέσιμους πόρους. Τα πει ράματα στο StornX έγιναν στο AWS clo ud χρησιμοποιώντας δύο εφαρμογές. Τα πειραματικά αποτελέσματα δείχνουν ό τι το StornX μειώνει τον χρόνο απόκρ ισης, τη χρήση πόρων, τον αριθμό των αντιγράφων και το συνολικό κόστος σ ε σενάρια stress και load testing. Ε πιπλέον, εγιναν πειράματα όπου "πέφτ ει" μία ζώνη διαθεσιμότητας δείχνοντ ας ότι το StornX ανακάμπτει πιο γρήγ ορα και διατηρεί καλύτερη απόδοση, κ ατανέμοντας την κίνηση στα διαθέσιμα αντίγραφα.\n Abstract\n Containeriz ed microservices have become the def acto standard for building modern ap plications providing, improved fault isolation, scalability and resilien ce. To ensure fault-tolerance and ma intain good performance under fluctu ating workloads, microservices shoul d be scaled horizontally by deployin g multiple replicas. High availabili ty is achieved by placing these repl icas across multiple servers. Kubern etes is a powerful orchestrator tool that manages the lifecycle of conta inerized applications, providing fea tures for automated scaling, self-he aling, service discovery and seamles s deployment. The Horizontal Pod Aut oscaler (HPA) is Kubernetes default tool for scaling the containterized microservices, known as Pods. Pods o ften communicate with each other in applications. During scaling, they s hould ideally be scheduled based on their communication frequency to min imize cross-Node communication laten cy. Reducing cross-Node communicatio n can significantly improve response time and minimize cloud costs when the Kubernetes is deployed on a clou d provider. However, HPA relies on t he default Kubernetes Scheduler to a ssign replica Pods to Nodes, which c an sometimes lead to sub-optimal pla cement of replicas across Nodes, bec ause it does not rely on Pods commun ication patterns (i.e., inter or int ra node or inter or intra cluster co mmunication). Aside from scaling, Ku bernetes by default relies on iptabl es to route traffic to appropriate P ods. However, iptables uses a random ized algorithm and does not consider Node-to-Node latency, Pods' resourc e usage or the number of available r eplica Pods, resulting in overloaded Pods and long delays when requests are sent to remote Nodes. To address the problem of Kubernetes replica P od placement and load-balaning, we i ntroduced StornX. StornX is a Kubern etes Pod autoscaler and traffic sche duler that optimal spreads the Pod r eplicas within a cluster across Avai lability Zones (AZ), optimizes effic iency by co-locating additional repl icas, and dynamically manages traffi c distribution using Istio Service M esh locality weights by directing re quests to co-located replicas while also rerouting traffic away from Pod s that have reached their threshold limits toward replicas with availabl e resources. StornX is tested on AWS cloud environment with two microser vice-based applications. The experim ental results reveal that StornX red uces the response time, resource usa ge, number of replica Pods and reduc es the cost in stress and load test scenarios. Furthermore, Availability Zone failure experiments show that StornX recovers faster and with lowe r performance degradation by dynamic ally redistributing traffic among th e remaining replicas.\n Meeting ID: 613 764 0471\n Password: 582678\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260217T100000 DTEND:20260217T110000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260205T141627Z LAST-MODIFIED:20260205T141627Z DTSTAMP:20260612T231001Z UID:1781295000_8270@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Ορέστη Δημητρίου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8270&cHash=e70c71f05500f99 82c78794d9d30bbc7\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Δημητρίου Ορέστ η\n με θέμα\n The CHILI Platform (TC P). Περιβάλλον Ανάλυσης Πληροφορίας Τηλεδιάσκεψης με Εφαρμογή Γλωσσικών Μοντέλων σε Kubernetes\n The CHILI P latform (TCP). Video Conferencing In formation Analysis in Kubernetes Usi ng Language Models\n Εξεταστική Επιτ ροπή\n Καθηγητής Ευριπίδης Πετράκης, Επιβλέπων\n Καθηγητής Μιχαήλ Ζερβάκ ης\n Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς\n Περίληψη\n Οι πλατφόρμε ς τηλεδιάσκεψης επικεντρώνονται στην ανάπτυξη και τη βελτίωση προηγμένων τεχνολογιών επικοινωνίας που επιτρέ πουν την αποτελεσματική απομακρυσμέν η επικοινωνία και συνεργασία. Τα συσ τήματα τηλεδιάσκεψης ενσωματώνουν κα θηλωτικές τεχνολογίες και έξυπνες λε ιτουργίες για τη βελτίωση της εμπειρ ίας του χρήστη. Η παρούσα εργασία δι ερευνά τον σχεδιασμό, την υλοποίηση και την αξιολόγηση ενός συστήματος τ ηλεδιάσκεψης πραγματικού χρόνου, πολ λαπλών χρηστών, το οποίο αναπτύχθηκε ως η πλατφόρμα CHILI. Το σύστημα απ οτελεί μια ανθεκτική σε σφάλματα και επεκτάσιμη αρχιτεκτονική για την ασ ύγχρονη επεξεργασία δεδομένων ήχου. Επί του παρόντος, το CHILI υλοποιείτ αι ως επέκταση της δημοφιλούς πλατφό ρμας επικοινωνίας Discord και αναπτύ σσεται στην υποδομή Kubernetes του G oogle Cloud. Η απόδοσή του έχει αξιο λογηθεί διεξοδικά σε ποικιλία διαδικ τυακών και προ-ηχογραφημένων συναντή σεων, καταδεικνύοντας την αξιοπιστία και την κλιμακωσιμότητά του.\n Abst ract \n Teleconferencing platforms f ocus on the development and refineme nt of cutting-edge communication tec hnologies that enable effective remo te communication and collaboration. Teleconferencing systems integrate i mmersive technologies and intelligen t features to improve user experienc e. This paper investigates the desig n, implementation, and evaluation of a real-time, multi-user teleconfere ncing system deployed as the CHILI p latform. The system is a fault-toler ant and scalable architecture for as ynchronous processing of audio data. Currently, CHILI is implemented as an extension of the popular Discord communication platform\n and is depl oyed on Google Cloud’s Kubernetes in frastructure. Its performance has be en rigorously evaluated across a var iety of online and pre-recorded meet ings, demonstrating its robustness a nd scalability.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260210T150000 DTEND:20260210T160000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260204T143156Z LAST-MODIFIED:20260204T143156Z DTSTAMP:20260612T231001Z UID:1781295000_8267@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Γεωργίου Αργύρη - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8267&cHash=34e24ef06f983e8 ecd384d165e442d90\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Γεωργίου Αργύρη \n με θέμα\n Μοντέλο Ψηφιακού Δίδυμο υ βασισμένο στη Νευρωνική Ανίχνευση Σύνθετων Γεγονότων για Ηλεκτρικές Εγ καταστάσεις και Βιομηχανικό Αυτοματι σμό \n Digital Twin Model based on N eural Complex Event Recognition for Electrical Installation and Industri al Automation\n Εξεταστική Επιτροπή\ n Επίκουρος Καθηγητής Νικόλαος Γιατρ άκος (επιβλέπων)\n Καθηγήτρια Αικατε ρίνη Μανιά\n Επίκουρος Καθηγητής Γεώ ργιος Πέππας\n Περίληψη\n Η αποτελεσ ματική παρακολούθηση και η ταχεία αν ίχνευση βλαβών σε ηλεκτρικά συστήματ α είναι απαραίτητες για την εξασφάλι ση λειτουργικής αξιοπιστίας, τη μείω ση χρόνου αδράνειας και την πρόληψη δαπανηρών ζημιών σε βιομηχανικές και εμπορικές υποδομές. Με την αυξανόμε νη ενσωμάτωση σύνθετων συσκευών και εγκαταστάσεων μεγάλης κλίμακας, οι π αραδοσιακές μέθοδοι παρακολούθησης α δυνατούν να παρέχουν έγκαιρες πληροφ ορίες και προγνωστική ανάλυση.\n Η π αρούσα διπλωματική εργασία εισάγει έ να πλαίσιο ψηφιακού διδύμου σε πραγμ ατικό χρόνο για την παρακολούθηση κα ι ανίχνευση συμβάντων σε ηλεκτρικά σ υστήματα. Το πλαίσιο ενσωματώνει δεδ ομένα αισθητήρων από πολλαπλές συσκε υές, τα οποία μεταδίδονται μέσω WebS ockets και Apache Kafka. Τα δεδομένα επεξεργάζονται με χρήση νευρωνικών δικτύων και εργαλείων big data, όπως το DataStream API του Apache Flink, για να επιτευχθεί επεκτάσιμη αναγνώ ριση συμβάντων σε πραγματικό χρόνο. Αρχικά,\n απλά συμβάντα (simple even ts) αναγνωρίζονται με αλγόριθμο βασι σμένο σε κανόνες και στη συνέχεια ει σάγονται σε νευρωνικό δίκτυο LSTM, ε κπαιδευμένο σε ακολουθίες που παράχθ ηκαν από μοντέλο TimeGAN, προκειμένο υ να ανιχνευθούν συμβάντα πρώτου επι πέδου πολυπλοκότητας (1st-level comp lex events). Συμβάντα υψηλότερου επι πέδου πολυπλοκότητας (2nd-level comp lex events) ανιχνεύονται στη συνέχει α από το Flink. Οι επεξεργασμένες πλ ηροφορίες παρουσιάζονται μέσω ενός 3 D ψηφιακού\n διδύμου υλοποιημένο σε περιβάλλον Unity, επιτρέποντας διαδρ αστική ανάλυση, ζωντανή παρακολούθησ η και ειδοποιήσεις σε πραγματικό χρό νο.\n Τα πειραματικά αποτελέσματα δε ίχνουν ότι το μοντέλο TimeGAN παράγε ι επιτυχώς ρεαλιστικά συνθετικά δεδο μένα, εμπλουτισμένα τόσο με αριθμητι κές μετρήσεις όσο και με ετικέτες συ μβάντων. Αυτές οι συνθετικές ακολουθ ίες αποδείχθηκαν επαρκείς για την εκ παίδευση του μοντέλου LSTM, ώστε να επιτευχθεί αξιόπιστη ακρίβεια ανίχνε υσης 1st-level complex events, μετά από περαιτέρω αξιολόγηση. Επιπλέον, η αξιολόγηση δείχνει ότι το Apache F link αναγνωρίζει σταθερά σφάλματα υψ ηλότερου επιπέδου πολυπλοκότητας, τα οποία εξαρτώνται τόσο από simple ev ents όσο και από συμβάντα που προβλέ πονται από το LSTM. Η επεκτασιμότητα του συστήματος αξιολογήθηκε επίσης, ελέγχοντας ότι η απόδοση αυξάνεται ανάλογα με την αύξηση του παραλληλισ μού του Flink. Τέλος, έρευνα εμπειρί ας χρήστη υποδεικνύει ότι η διεπαφή του 3D ψηφιακού διδύμου υποστηρίζει αποτελεσματικά την παρακολούθηση σε πραγματικό χρόνο και τη λήψη αποφάσε ων σε ηλεκτρικές υποδομές μεγάλης κλ ίμακας\n Abstract \n Efficient monit oring and rapid fault detection in e lectrical systems are essential for ensuring operational reliability, re ducing downtime, and preventing cost ly damage in industrial and commerci al infrastructures. With the increas ing integration of complex devices a nd large-scale installations, tradit ional monitoring methods struggle to provide timely insights and predict ive analysis.\n This thesis introduc es a real-time digital twin framewor k for monitoring and event detection in electrical systems. The framewor k integrates sensor data from multip le devices, streamed via WebSockets and Apache Kafka. Data are processed using neural networks and big data tools such as Apache Flink’s DataStr eam API to enable scalable real-time event recognition. Initially, simpl e events are identified using a rule -based algorithm and then input into an LSTM neural network trained on T imeGAN-generated sequences to detect first-level complex events. Higher- level complex events are subsequentl y detected by Flink. The processed i nformation is presented through a Un ity-based 3D digital twin, enabling interactive analysis, live monitorin g, and real time alerts.\n Experimen tal results demonstrate that the Tim eGAN model successfully generates re alistic synthetic data enriched with both numerical measurements and eve nt labels. These synthetic sequences proved sufficient for training the LSTM model to achieve reliable detec tion accuracy for first-level comple x events, after further evaluation. Furthermore, the evaluation shows th at Apache Flink consistently identif ies higher level complex events that depend on both simple events and LS TM-predicted events. The system’s sc alability was also assessed, reveali ng that throughput increases propor tionally with higher Flink paralleli sm. Finally, a user experience surve y indicates that the 3D digital-twin interface effectively supports real -time monitoring and decision making in large-scale electrical infrastru ctures.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260216T190000 DTEND:20260216T200000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260201T105403Z LAST-MODIFIED:20260201T105403Z DTSTAMP:20260612T231001Z UID:1781295000_8256@tuc.gr SUMMARY:"Brief presentation of the teaching and research activities of the candi date faculty member of the School of Electrical and Computer Engineering " by Dr. Evangelos Pompodakis LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 145Π-58 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8256&cHash=085829d413bd579 0a6f5092a7bda05ff\nAbstract\n The ta lk will provide a concise overview o f the teaching and research activiti es of the candidate faculty member D r. E Pompodakis. It will mainly focu s on the core research directions th at he has pursued during his doctora l studies and postdoctoral work. Key findings from selected scientific p ublications will be discussed in the following areas:\n (a) modelling of electric power systems,\n (b) optim isation of power system operation,\n (c) power system protection, and\n (d) applications of power electronic s in electric power systems.\n \n Ab out the Speaker\n Evangelos E. Pompo dakis received the Diploma degree in Electrical and Computer Engineering from the Aristotle University of Th essalonik, Greece, in 2011, the M.Sc . degree from the Technical Universi ty of Kaiserslautern, Germany, in 20 15, and the Ph.D. degree from the Ar istotle University of Thessaloniki i n 2021. His research interests inclu de electric power systems, distribut ed generation and energy storage, po wer electronic converters, as well a s smart grid operation and control. He has authored 31 papers in peer-re viewed scientific journals and 12 co nference papers, serving as first (l ead) author in the majority of them. Since 2021, he has been a Lecturer at the Hellenic Mediterranean Univer sity, Greece.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260203T110000 DTEND:20260203T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260128T074929Z LAST-MODIFIED:20260128T074929Z DTSTAMP:20260612T231001Z UID:1781295000_8253@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Όλγας Τσίρου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8253&cHash=5a60f6c5e794ab2 93494a39ff2af0cb0\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Όλγας Τσίρου\n με θέμα\n Αναγνώριση αντικειμένων σε ροές βίντεο\n Object detection in v ideo streams\n Εξεταστική Επιτροπή\n Καθηγητής Ευριπίδης Πετράκης (επιβλ έπων)\n Καθηγητής Μιχάλης Ζερβάκης\n Καθηγητής Μιχαήλ Λαγουδάκης\n Περίλ ηψη\n Σε αυτήν την διπλωματική παρου σιάζουμε ένα κατανεμημένο σύστημα γι α επεξεργασία βίντεο, με την χρήση τ ου Apache Flink και Apache Kafka, εγ κατεστημένο σε cloud υποδομή με Kube rnetes ως πλατφόρμα ενορχήστρωσης. Τ ο υλοποιημένο σύστημα πραγματοποιεί αναγνώριση αντικειμένων και κατηγορι οποίησή τους σε κλάσεις με την χρήση του μοντέλου YOLOv5 και ορίζει τροχ ιές για καθένα από τα εντοπισμένα αν τικείμενα για πολλαπλές ροές βίντεο. Οι στόχοι αυτής της υλοποίησης είνα ι να συμπεράνουμε εάν ένα τέτοιο σύσ τημα είναι εφικτό με την χρήση του A pache Flink. Επιπλέον, στοχεύουμε στ ην αξιολόγηση της επίδοσης του συστή ματος και στη σύγκριση αυτής τόσο με τις θεωρητικές προσδοκίες όσο και μ ε τα αποτελέσματα που προκύπτουν από πραγματικά πειράματα. Η ακρίβεια τω ν ποιοτικών αποτελεσμάτων, δηλαδή τω ν τελικών τροχιών, καθώς και οι χρον ικές επιδόσεις του συστήματος αποτελ ούν τα σημαντικά αποτελέσματα της ερ γασίας αυτής. Αξιοποιώντας τις δυνατ ότητες κατανεμημένης επεξεργασίας ρο ών του Apache Flink, και χρησιμοποιώ ντας το Apache Kafka ως μεσάζοντα μη νυμάτων, διασφαλίζοντας την μεταφορά τους χωρίς απώλειες, το σύστημα χρη σιμοποιεί το προαναφερθέν μοντέλο αν αγνώρισης αντικειμένων, σε συνδυασμό με απλούς αλγόριθμους μηχανικής όρα σης, συμπεριλαμβανομένης της ένωσης των αναγνωρισμένων αντικειμένων για την δημιουργία των ολοκληρωμένων αντ ικειμένων σε επίπεδο καρέ και της πα ρακολούθησης τους με βάση τα κέντρα τους για την επιλογή των τροχιών του ς. Οι αλγόριθμοι αυτοί υλοποιούνται με βάση το datalflow μοντέλο το οποί ο υπαγορεύει το Apache Flink. Αυτό σ ημαίνει ότι τόσο το μοντέλο, όσο και οι αλγόριθμοι υλοποιούνται σε έναν ξεχωριστό τελεστή του Flink. Με στόχ ο να αξιοποιηθεί η ικανότητα κατανεμ ημένης επεξεργασίας του Flink, κάθε καρέ χωρίζεται σε μικρότερα κομμάτια σταθερού μεγέθους, τα οποία μπορούν να διαμοιραστούν και να επεξεργαστο ύν ταυτόχρονα στους διάφορους τελεστ ές του Flink. Αρχικά, όλα τα κομμάτι α ενός βίντεο διανέμονται ομοιόμορφα στα partitions του Kafka. Στη συνέχ εια, όλοι οι κόμβοι του Flink διαβάζ ουν παράλληλα αυτά τα κομμάτια. Στο πρώτο στάδιο επεξεργασίας, κάθε κομμ άτι γίνεται είσοδος στο YOLOv5 μοντέ λο, έτσι ώστε να εξαχθούν χρήσιμες π ληροφορίες για τα αντικείμενα που πε ριέχει. Αυτές οι πληροφορίες αφορούν το ορθογώνιο οριοθέτησης του αντικε ιμένου, το κέντρο του, την κατηγοριο ποίηση του σε μία κλάση και την πιθα νότητα να ανήκει στην συγκεκριμένη κ λάση. Ύστερα, όλα τα αναγνωρισμένα α ντικείμενα που ανήκουν σε κομμάτια τ ου ίδιου καρέ συγκεντρώνονται και συ γχωνεύονται, εφόσον πληρούν κάποιες προϋποθέσεις συγχώνευσης, για να σχη ματίσουν ολοκληρωμένα αντικείμενα σε επίπεδο καρέ. Τέλος, όλα τα αντικεί μενα που ανήκουν σε ένα καρέ συγκεντ ρώνονται σε έναν τελεστή υπεύθυνο γι α την δημιουργία της τροχιάς κάθε αν τικειμένου που παρουσιάζεται στο βίν τεο, με βάση την θέση του κέντρου το υ και την κλάση του. Όταν έχει ολοκλ ηρωθεί η επεξεργασία όλων των καρέ ε νός βίντεο, οι τελικές τροχιές ανακο ινώνονται σε άλλο ένα Kafka topic. Η εφαρμογή εγκαταστάθηκε ως ένα Flink cluster πάνω από ένα Kubernetes clu ster με τη βοήθεια του Flink Kuberne tes Operator. Πραγματοποιώντας πειρά ματα σε ένα περιβάλλον με 7 μηχανές, παρατηρήσαμε ότι το προτεινόμενο σύ στημα και έχει τη δυνατότητα κλιμάκω σης, και ξεπερνά σε απόδοση ένα μονο λιθικό σύστημα, ενώ παράγει ακριβείς τροχιές για τα αντικείμενα των βίντ εο. Πράγματι, η εφαρμογή στο Flink μ ε παραλληλισμό 7 είναι έως 4.7 φορές πιο αποδοτική από την εφαρμογή στο Flink με παραλληλισμό 1, που προσομο ιώνει ένα ολοκληρωμένο σειριακό σύστ ημα με ακριβή και ορθά ποιοτικά αποτ ελέσματα τροχιών αντικειμένων.\n Abs tract \n In this thesis, we present a distributed video processing syste m, built with Apache Flink and Apach e Kafka, and deployed on the cloud u sing the Kubernetes orchestration pl atform. The system performs object d etection using the YOLOv5 model and defines object trajectories for mult iple streaming or batch video source s. The goal of implementing this sys tem is to observe whether such a sys tem is feasible on Apache Flink. Add itionally, we aim to explore the per formance, both in terms of theoretic al expectations and practical benchm arks. Our focus will be on assessing the accuracy of the results and eva luating the speed of the system. Lev eraging the distributed stream proce ssing capabilities of Apache Flink a nd Apache Kafka as an intermediate m essage broker, this system uses the object detection model alongside sim ple computer vision algorithms for m erging detections across blocks and centroid-based tracking to assign ob jects to trajectories. These are all implemented using the dataflow mode l that Flink provides. Hence, both t he model and the algorithms are impl emented within a Flink operator. In order to achieve the full utilizatio n of the distributed architecture, e ach frame is split into fixed sized blocks, which are distributed and pr ocessed by a number of different Fli nk operators. Initially, the blocks are almost evenly distributed to mul tiple partitions of an input topic i n Kafka. Then equal number of Flink pipelines consume the blocks in para llel. In the first stage, each block is processed by the YOLOv5 model, i n order to extract the detected obje ct data. This process results in the bounding box coordinates, centroid, class id and probability of each ob ject detected in the blocks. Then, a ll detected components from blocks b elonging to the same frame are group ed, and merged into frame-level obje cts. In the last stage of the pipeli ne, all objects from each frame are concentrated in an operator responsi ble for creating the trajectory of e ach object present in the video. Whe n every frame of the video has been processed, the extracted trajectorie s are announced to another Kafka top ic. The application is deployed as a Flink cluster on top of a Kubernete s one, using the Flink Kubernetes Op erator. Experimenting in a 7 machine environment, we observed that the s ystem both scales and outperforms a single machine monolith implementati on, while providing accurate motion patterns for each video. In fact, th e Flink application, configured with a parallelism setting of 7, attaine d a speedup of 4.7x compared to the Flink application with a parallelism setting of 1, which simulates a ser ial implementation with accurate tra jectory extraction.\n Meeting ID: 61 3 764 0471\n Password: 582678\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260204T150000 DTEND:20260204T160000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260127T104004Z LAST-MODIFIED:20260127T104004Z DTSTAMP:20260612T231001Z UID:1781295000_8251@tuc.gr SUMMARY:"Algorithms and Machine Learning Tec hniques for Τiming Αnalysis of Integ rated Circuits" by Dr. Dimitrios Gar yfallou LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 145Π-58 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8251&cHash=6f1dd92cdcbf182 6ac30fa77041473dc\nAbstract\n Timing analysis is a crucial verification method for the design and optimizati on of integrated circuits (ICs), ser ving as the cornerstone of the final signoff that determines whether a c hip is ready for fabrication. Over t he past few decades, the relentless push for high-performance and energy -efficient circuits has been driven by aggressive technology scaling, wh ich enabled the integration of a vas t number of devices on a single die but also introduced new challenges f or timing analysis. In nanometer tec hnologies, highly resistive intercon nects have an increasing impact on t iming, signals no longer resemble sm ooth saturated ramps, while gate-int erconnect interdependencies are stro nger. At the same time, manufacturin g process variations have become sig nificantly more pronounced, calling for sophisticated techniques to redu ce uncertainty in timing estimation. In addition, higher operating frequ encies and process-induced variation s have increased the likelihood of M ultiple Input Switching (MIS) effect s, threatening timing integrity, ene rgy efficiency, and overall circuit reliability. From another perspectiv e, the timing guardbands enforced to protect circuits from variation-ind uced timing errors are often overly pessimistic, as they are estimated u nder rare worst-case conditions, lea ving extensive dynamic timing margin s unexploited. This talk presents re cent methodologies and machine learn ing techniques for accurate and effi cient timing analysis in advanced te chnology nodes, addressing key aspec ts such as standard cell characteriz ation, gate and interconnect timing estimation, timing analysis under pr ocess variation, and dynamic timing analysis.\n \n About the Speaker\n D imitrios Garyfallou is a Postdoctora l Researcher and Adjunct Lecturer at the Department of Electrical and Co mputer Engineering of the University of Thessaly, Greece. He received hi s Diploma, M.Sc., and Ph.D. from the same department in 2014, 2015, and 2021, respectively. His research foc uses on algorithms and machine learn ing techniques for electronic design automation (EDA), with emphasis on timing and power analysis, circuit r eliability, and large-scale simulati on. He was a Research Assistant at t he Center for Research and Technolog y - Hellas (CERTH) in 2015 and a Vis iting Research Associate at Queen’s University Belfast, U.K., in 2017 an d 2019. Dimitrios has authored over 27 articles in international journal s and conferences, received two best paper award nominations, served on technical and organizing committees of international conferences, and re viewed for leading journals. He has participated in 15 EU, national, and industry-funded research projects a nd founded an EDA startup. Dr. Garyf allou has received M.Sc. and Ph.D. f ellowships from the Center of Resear ch, Innovation, and Excellence (CRIE ) of the University of Thessaly, the HiPEAC collaboration grant in 2017, and the first place-award in the AC M TAU 2020 and 2021 timing analysis ontests.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260129T120000 DTEND:20260129T130000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260121T091458Z LAST-MODIFIED:20260121T091458Z DTSTAMP:20260612T231001Z UID:1781295000_8244@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Αντωνίου Καραβιτάκη - Σχολή ΗΜΜΥ (Αλ λαγή ώρας, τρόπου διεξαγωγής) LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 141Π-36,1 41Π-37 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8244&cHash=1f672075486b6ea 7b6e2ca6bc32c19ec\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Αντωνίου Καραβι τάκη\n με θέμα\n Εφαρμογές Μηχανικής Μάθησης σε Διάγνωση Σφαλμάτων Ηλεκτ ρικών Μηχανών\n Machine Learning App lications in Electrical Machines Fau lt Diagnosis\n Εξεταστική Επιτροπή\n Καθηγητής Κωνσταντίνος Γυφτάκης (επ ιβλέπων)\n Καθηγητής Μιχαήλ Λαγουδάκ ης\n Καθηγητής Βασίλειος Διγαλάκης\n Περίληψη\n Η έγκαιρη και αξιόπιστη διάγνωση σφαλμάτων σε ηλεκτρικές μηχ ανές είναι καθοριστικής σημασίας για τη βελτίωση της λειτουργικής ασφάλε ιας, τη μείωση του χρόνου εκτός λειτ ουργίας και την υλοποίηση προγνωστικ ής συντήρησης. Οι παραδοσιακές διαγν ωστικές προσεγγίσεις συνήθως διαχωρί ζουν την εξαγωγή χαρακτηριστικών από την ταξινόμηση, βασιζόμενες σε χειρ οποίητους ηλεκτρικούς ή μηχανικούς δ είκτες, οι οποίοι συχνά είναι υποβέλ τιστοι και υπολογιστικά απαιτητικοί. Η παρούσα εργασία προτείνει δύο δια γνωστικές προσεγγίσεις βασισμένες στ η Μηχανική Μάθηση. Αρχικά, παρουσιάζ εται μία αρχιτεκτονική νευρωνικού δι κτύου για δυαδική ταξινόμηση σφαλμάτ ων, με στόχο την ανίχνευση σπασμένης μπάρας ρότορα. Επιπλέον, το κύριο α ντικείμενο της εργασίας αποτελεί ένα σύστημα διάγνωσης σφαλμάτων σε πραγ ματικό χρόνο, βασισμένο σε ένα νευρω νικό δίκτυο σύντηξης δύο κλάδων, το οποίο μαθαίνει από κοινού διακριτές αναπαραστάσεις από ηλεκτρικές και μη χανικές μετρήσεις. Οι δύο κλάδοι λει τουργούν παράλληλα, καταγράφοντας συ μπληρωματικές υπογραφές σφαλμάτων, κ αι συνδυάζονται σε ένα ενιαίο επίπεδ ο απόφασης, το οποίο αντανακλά τις υ ποκείμενες φυσικές ευαισθησίες κάθε αισθητηριακής πηγής. Η πειραματική α ξιολόγηση σε πραγματικά δεδομένα κιν ητήρα καταδεικνύει ότι η προτεινόμεν η αρχιτεκτονική σύντηξης βελτιώνει τ η σταθερότητα της ταξινόμησης υπό δι αφορετικές συνθήκες λειτουργίας, δια τηρώντας ταυτόχρονα χαμηλή υπολογιστ ική πολυπλοκότητα, κατάλληλη για δια δικτυακή παρακολούθηση.\n Abstract \ n Early and reliable fault diagnosis in electrical machines is essential for improving operational safety, r educing downtime, and enabling predi ctive maintenance. Traditional diagn ostic pipelines typically separate f eature extraction from classificatio n, often relying on hand-crafted ele ctrical or mechanical indicators tha t may be suboptimal and computationa lly demanding. This work proposes tw o machine learning–based diagnostic approaches. First, a neural network architecture is presented for binary fault classification, targeting the detection of broken rotor bar fault s. Moreover, the main focus of this work, consists of a real-time fault diagnosis system based on a two-bran ch fusion neural network that jointl y learns discriminative representati ons from electrical and mechanical m easurements. The two branches operat e in parallel, capturing complementa ry fault signatures, and are fused i nto a unified decision layer that re flects the underlying physical sensi tivities of each sensing modality. E xperimental evaluation on real motor data demonstrates that the proposed fusion architecture improves classi fication robustness across varying o perating conditions, while maintaini ng low computational complexity suit able for online monitoring.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260128T110000 DTEND:20260128T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260120T140203Z LAST-MODIFIED:20260120T140203Z DTSTAMP:20260612T231001Z UID:1781295000_8241@tuc.gr SUMMARY:"Nonlinear Analysis of Modern Power Grids: From Dynamic Modeling to Cont rol Design and Stability" by Dr. Pan agiotis Papageorgiou LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 145Π-58 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8241&cHash=6e38fc18fe0c23b e12b7eac4d0a890fc\nAbstract\n The st ructure and operation of modern powe r systems is constantly shifting to a more complex and decentralized par adigm, mainly due to the large-scale integration of distributed generati on. Power converter-interfaced renew able energy sources (RES), storage u nits and other production units subs titute the traditional synchronous g enerators. As a result, rotating ine rtia is reduced, and new fast respon se characteristics influence the gri d dynamics. In addition, inputs comi ng from the power converter interfac es are introduced with nonlinear beh aviors. In this frame, the classical synchronous machine-based linear mo deling and regulation by applying si mple feedback transfer functions are not adequate anymore for the dynami c analysis of power systems. To this end, a generalized nonlinear modeli ng approach identified as controlled -impedance-admittance-torque (CIAT), is presented that accurately repres ents both converter and full-scale e lectromechanical components and thei r dynamic interactions, leading into a holistic framework capable of ver ifying critical stability properties , regardless of changes in system to pology or operating conditions. The unique structure of this formulation can also be extended to include fas t synchronization dynamics, i.e. by phase-locked-loop (PLL) mechanisms, and also enables the design of advan ced localized control schemes that a chieve boundedness of critical syste m states or others that effectively enhance converter dynamic performanc e, all the while guaranteeing strong local or global stability propertie s. Finally, this approach is also pr esented in a context compatible with upper-level management designs and decision-making schemes for grid-for ming converter-based power system la youts, highlighting its wide applica bility.\n \n About the Speaker\n Dr. Panagiotis Papageorgiou received th e B.S., M.S., and Ph.D. degrees in e lectrical and computer engineering f rom the Department of Electrical and Computer Engineering, University of Patras, Patras, Greece, in 2015, 20 16, and 2021, respectively. He is cu rrently a Research Associate with th e Power Systems, Renewable and Distr ibuted Generation Laboratory at the same department. His current researc h interests include modelling, contr ol and stability analysis for a larg e class of nonlinear dynamic systems , with main emphasis on modern power grid layouts featuring large-scale integration of distributed generatio n. He has authored more than 40 pape rs in International scientific journ als and conferences. He is a member of the IEEE Power & Energy and I EEE Industrial Electronics Societies and a member of the National Techni cal Chamber of Greece.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260122T110000 DTEND:20260122T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260120T140059Z LAST-MODIFIED:20260120T140059Z DTSTAMP:20260612T231001Z UID:1781295000_8240@tuc.gr SUMMARY:"Multiscale Energy Engineering: Conn ecting Materials, Devices, and Power Systems" by Dr. Christos Mytafides LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 145Π-58 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8240&cHash=e791f0812b92ae9 f6d4dec31fa1cb0c4\nAbstract\n This l ecture presents a coherent, interdis ciplinary research agenda that bridg es innovation in materials and devic es with the operational realities of power systems. Advances in material s and interfaces, such as printed mu ltifunctional energy harvesting mate rials (e.g. thermoelectric and hybri d PV-TEG architectures), and enhance ments in the performance of energy h arvesting materials and devices, are not considered as isolated device i mprovements, but as enablers of syst em-level performance, reliability, a nd cost reduction. By improving effi ciency, stability, and ageing charac teristics at the device scale, these technologies reduce the levelized c ost of energy and enhance the predic tability of distributed generation. The resulting shift transforms build ings and embedded structures from pa ssive loads into active, controllabl e nodes within the distribution netw ork. At the grid level, this evoluti on directly impacts voltage regulati on, reverse power flows, protection coordination, and planning margins a cross generation, transmission, and, most critically, the distribution s ystems. The lecture argues for a "de vice-aware" power-system paradigm, w here physics-based models of perform ance and degradation inform network planning, operational strategies, an d techno-economic assessments. Such a framework is particularly relevant for weak and islanded grids, includ ing high-renewables regions such as Crete, where distributed energy reso urces must simultaneously support de carbonization and system resilience. \n Overall, the proposed approach in tegrates materials science, power el ectronics, and power-system engineer ing into a unified device-to-grid me thodology, positioning electric powe r networks as adaptive infrastructur es capable of fully exploiting next- generation energy-harvesting technol ogies.\n \n About the Speaker\n Chri stos Mytafides holds a B.Eng. degree in Civil Engineering,a M.Sc. degree in Environmental Engineering, a M.S c. degree in Materials Science and E ngineering, and a Ph.D. degree in Ma terials Science and Engineering. Rec ently, he has been a postdoctoral re searcher and an academic teaching as sociate with the School of Chemical and Environmental Engineering, Techn ical University of Crete, as well as a civil engineer / superintendent w ith the Institute of GeoEnergy, Foun dation for Research and Technology - Hellas (FORTH), Chania.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260121T120000 DTEND:20260121T130000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260119T140527Z LAST-MODIFIED:20260119T140527Z DTSTAMP:20260612T231001Z UID:1781295000_8237@tuc.gr SUMMARY:Παρουσίαση διπλωματικής εργασίας κ. Αθηναίου Λάμπρου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8237&cHash=ccfd1fb5a9bb40e 6d593b8ecbad6d145\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Αθηναίου Λάμπρο υ\n με θέμα\n Σύστημα Στατιστικής Μά θησης Υπερφασματικών Δεδομένων Ιατρο δικαστικής\n Statistical Learning Sy stem for Forensic Hyperspectral Data \n Εξεταστική Επιτροπή\n Καθηγητής Κ ωνσταντίνος Μπάλας (επιβλέπων)\n Επί κουρος Καθηγητής Νικόλαος Γιατράκος\ n Δρ Ναθαναήλ Κορτσαλιουδάκης\n Περί ληψη\n Η μικροσκοπία αποτελεί ένα απ ό τα κυριότερα εργαλεία στην επιστήμ η της εγκληματολογίας και της ιατροδ ικαστικής ανάλυσης, καθώς επιτρέπει τη λεπτομερή εξέταση ιχνών και μικρο σκοπικών δειγμάτων που εντοπίζονται και συλλέγονται από χώρους εγκλήματο ς. Μέσα από τη μικροσκοπική απεικόνι ση είναι δυνατή η παρατήρηση χαρακτη ριστικών που δεν είναι ορατά με γυμν ό μάτι, όπως η μορφολογία, η υφή και η δομή υλικών που μπορούν να συμβάλ λουν καθοριστικά στην εξιχνίαση εγκλ ημάτων, μέσω της ταυτοποίησης και κα τηγοριοποίησης ιχνών. Στην εγκληματο λογία, η ανάλυση ιχνών όπως σταγόνες αίματος, τρίχες, ίνες, γύρη και άλλ α μικροσκοπικά υλικά αποτελούν θεμέλ ια για τη διερεύνηση υποθέσεων. Τα ί χνη αυτά συχνά αποτελούν κρίσιμα απο δεικτικά στοιχεία, καθώς μπορούν να συνδέσουν ένα άτομο, ένα αντικείμενο ή έναν χώρο με ένα εγκληματικό γεγο νός. Για το λόγο αυτό η ακρίβεια και η αξιοπιστία της ανάλυσης των ιχνών αυτών είναι άκρως απαραίτητο να έχο υν διασφαλιστεί με τα κατάλληλα εργα λεία, μέσα και ειδικούς.\n Η σύγχρον η μικροσκοπία δεν περιορίζεται μόνο σε μια τεχνική απεικόνισης. Αντίθετα , χρησιμοποιούνται τεχνολογίες αιχμή ς και διαφορετικές απεικονίσεις όπως φθορισμός, πόλωση, ανάκλαση, μετάδο ση -καθεμία από τις οποίες επιλέγετα ι, κατά περίπτωση, για την ανάδειξη φυσικών και χημικών ιδιοτήτων του ίδ ιου υπό ανάλυση δείγματος. Μέσω των υπερφασματικών απεικονίσεων το ίδιο αντικείμενο μπορεί να αποτυπωθεί με πολλαπλούς τρόπους, προσφέροντας συμ πληρωματική πληροφορία που είναι δύσ κολο να εξαχθεί πλήρως με συμβατικές μεθόδους. Παραδοσιακά η ερμηνεία τω ν μικροσκοπικών εικόνων βασίζεται στ ην εμπειρία και κρίση του ειδικού αν αλυτή. Ωστόσο, η διαδικασία αυτή μπο ρεί να είναι χρονοβόρα, υποκειμενική και επιρρεπής σε ανθρώπινα σφάλματα , ειδικά όταν ο όγκος των δεδομένων είναι μεγάλος ή όταν οι διαφορές μετ αξύ δειγμάτων έγκεινται σε λεπτομέρε ιες. Για το λόγο αυτό τα τελευταία χ ρόνια παρατηρείται αυξανόμενο ενδιαφ έρον για την αξιοποίηση αυτοματοποιη μένων μεθόδων ανάλυσης που μπορούν ν α υποστηρίξουν ή ακόμη να ενισχύσουν το έργο ενός ειδικού. Στο πλαίσιο α υτό, τα συστήματα Μηχανικής Μάθησης (Machine Learning) έχουν αναδειχθεί ως ισχυρά εργαλεία για την ανάλυση κ αι την επεξεργασία μεγάλου όγκου δεδ ομένων. Ιδιαίτερα στον τομέα ανάλυση ς εικόνων τα συνελικτικά νευρωνικά δ ίκτυα (CNN, Convolutional Neural Net works) έχουν αποδειχθεί αξιόπιστα ερ γαλεία, αφού μπορούν να μαθαίνουν αυ τόματα, διακριτικά χαρακτηριστικά απ ευθείας από δεδομένα χωρίς την ανάγκ η χειροκίνητης εξαγωγής τους. Η χρήσ η τεχνολογιών αιχμής όπως η Μηχανική Μάθηση στην εγκληματολογική ανάλυση επιτρέπει την ανάπτυξη συστημάτων π ου μπορούν να εντοπίζουν πρότυπα, να διακρίνουν μεταξύ διαφορετικών κατη γοριών δεδομένων και να παρέχουν αντ ικειμενικά αποτελέσματα.\n Η διπλωμα τική αυτή εργασία, συνδυάζοντας πληρ οφορίες από πολλαπλές τεχνικές υπερφ ασματικής απεικόνισης και μέσω χρήση ς συστημάτων Μηχανικής Μάθησης, διερ ευνά πως μπορεί να βελτιώσει την από δοση της ταξινόμησης εγκληματολογικώ ν ιχνών και να αυτοματοποιήσει με απ οτελεσματικότητα και ακρίβεια την εξ αγωγή και ανάλυση τους στα εργαστήρι α. Για τον σκοπό αυτό αναπτύχθηκε έν α σύστημα ταξινόμησης όπου, χρησιμοπ οιώντας ως βάση δεδομένων εικόνες με εγκληματολογικά ίχνη που καταγράφηκ αν μέσω του μικροσκοπίου SMMART, εκπ αιδεύει ξεχωριστά συνελικτικά νευρων ικά δίκτυα για την εξαγωγή χαρακτηρι στικών, τα οποία στη συνέχεια εισάγο νται σε ένα πλήρως συνδεδεμένο νευρω νικό δίκτυο (FCNN, Fully Connected N eural Network)  που πραγματοποιεί τη ν τελική τους ταξινόμηση ανά κατηγορ ία δείγματος.\n Η παρουσίαση αυτή στ οχεύει στην εξοικείωση του κοινού με τις μεθόδους και τα μέσα που χρησιμ οποιήθηκαν για την ανάπτυξη του προτ εινόμενου συστήματος, τη διαδικασία εκπαίδευσης και αξιολόγησης των συνε λικτικών μοντέλων, καθώς και να αναδ είξει τα αποτελέσματα και τα συμπερά σματα που προκύπτουν από την πολυτρο πική αυτή προσέγγιση.\n     \n Abstr act\n Microscopy constitutes one of the most fundamental tools in the fi elds of forensic science and forensi c analysis, as it enables the detail ed examination of traces and microsc opic samples that are identified and collected from crime scenes. Throug h microscopic imaging, it becomes po ssible to observe characteristics th at are not visible to the naked eye, such as morphology, texture, and ma terial structure. These characterist ics can contribute decisively to the investigation of criminal cases thr ough the identification and classifi cation of forensic traces.\n In fore nsic science, the analysis of traces such as bloodstains, hairs, fibers, pollen, and other microscopic mater ials forms a cornerstone of investig ative procedures. Such traces often represent critical pieces of evidenc e, as they may establish a connectio n between an individual, an object, or a location and a criminal event. For this reason, ensuring the accura cy and reliability of trace analysis is of paramount importance and must be supported by appropriate tools, methodologies, and expert knowledge. \n Modern forensic microscopy is not limited to a single imaging techniq ue. On the contrary, advanced techno logies and multiple hyperspectral im aging modalities are applied, includ ing fluorescence, polarization, refl ectance, and transmission imaging. E ach modality is selected according t o the case at hand and is capable of highlighting different physical or chemical properties of the same samp le. By utilizing multiple imaging te chniques, the same object can be vis ualized in several distinct ways, pr oviding complementary information th at is difficult to extract using con ventional approaches. Traditionally, the interpretation of microscopic i mages relies heavily on the experien ce and judgment of the forensic anal yst. However, this process can be no t only time-consuming, but also subj ective and prone to human error, par ticularly when dealing with large vo lumes of data, or when the differenc es between samples are minor. As a r esult, there has been an increasing interest in recent years in automate d analytical methods that can suppor t or enhance the work of forensic ex perts. In this context, Machine Lear ning systems have emerged as powerfu l tools for the analysis and process ing of large-scale data. In particul ar, in the domain of image analysis, Convolutional Neural Networks (CNNs ) have demonstrated remarkable effec tiveness, as they are capable of lea rning discriminative features direct ly from data without the need for ma nual feature extraction. The applica tion of Machine Learning techniques in forensic analysis enables the dev elopment of systems that can detect patterns, distinguish between differ ent categories of data and provide o bjective results.\n This undergradua te thesis builds upon this framework and aims to investigate how the com bination of information from multipl e hyperspectral imaging modalities, when combined with Machine Learning techniques, can improve the performa nce of forensic trace classification and enhance the automation of trace analysis in laboratory environments . To this end, a statistical classif ication system was developed using a dataset of forensic trace images ac quired through the SMMART microscope . Separate Convolutional Neural Netw orks were trained for feature extrac tion from each imaging modality and the extracted features were subseque ntly fed into a Fully Connected Neur al Network (FCNN), which performs th e final classification of the sample s into their respective categories.\ n This presentation aims to familiar ize the audience with the methods an d tools applied in the development o f the proposed system, the process o f training and evaluating the convol utional models, as well as to highli ght the results and conclusions deri ved from this multimodal analytical approach.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260122T120000 DTEND:20260122T130000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260116T115829Z LAST-MODIFIED:20260116T115829Z DTSTAMP:20260612T231001Z UID:1781295000_8232@tuc.gr SUMMARY:'Electric Power Systems as the Backb one of Smart Energy Systems: Operati on, Flexibility, and Data-Driven Dec ision Support" by Dr. Nikolaos Sifak is LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 145Π-58 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8232&cHash=a03755f380290dc e29621df07ef8ed1d\nAbstract\n Modern Electric Power Systems (EPS) are be ing transformed at an incredible pac e, as the integration of renewable r esources, flexible loads and distrib uted resources continues to increase the uncertainty and complexity of o perating such systems. As the infras tructure of EPS has remained relativ ely stable, the way that they are op erated, planned and decisions made a bout them is changing dramatically. This presentation explores the opera tion and planning of EPS within the context of increasing uncertainty an d complexity with an emphasis on sys tem level modeling, optimization, an d data driven decision support. The research trajectory presented in thi s paper spans from building real sca le systems and ports/industrial appl ications, to small islands/weak grid configurations, to large-scale inte grated energy systems, each studied under the same principles of power s ystem operations as applied to the r eal world. In addition to forecastin g and optimization techniques, multi -criteria decision making methodolog ies have been developed across the t rajectory to provide operational sup port while respecting both the physi cal limitations of the EPS as well a s the temporal limitations and relia bility constraints of such systems. Additionally, data-driven methodolog ies have been developed to improve p redictive accuracy, to enable the ex ploration of alternative scenarios, and to improve the transparency of d ecisions made regarding the operatio n of EPS, without diminishing the im portance of physics-based power syst em models. Concluding, the presentat ion will provide an overview of the scientific contributions made to dat e and will outline the foundational elements necessary for initiating a new research cycle focused on develo ping operational intelligence, flexi bility and decision support for EPS engineers and researchers working in today's evolving power system envir onment.\n \n About the Speaker\n Nik olaos Sifakis is an academic researc her working on the operation and pla nning of Electric Power Systems (EPS ), with emphasis on system-level mod eling, flexibility, and data-driven decision support under high renewabl e penetration. His research focuses on how power systems operate under u ncertainty across different temporal and spatial scales, integrating for ecasting, optimization, and decision -support methodologies within real-w orld operational constraints. He has been actively involved in numerous European research and innovation pro jects, contributing as a technical r esearcher and project manager to top ics including renewable integration, hybrid energy systems, energy manag ement systems, cold ironing, and fle xibility-oriented power system opera tion. His work spans a wide range of application domains, including buil dings, ports, islanded grids, and di stributed energy systems. His academ ic activities combine applied resear ch, participation in European projec ts, and teaching-related contributio ns, with a strong emphasis on linkin g foundational power system concepts to contemporary operational challen ges. His research agenda is firmly r ooted in EPS, addressing their evolv ing operational requirements in the context of the energy transition.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260116T120000 DTEND:20260116T130000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260110T110421Z LAST-MODIFIED:20260110T110421Z DTSTAMP:20260612T231001Z UID:1781295000_8223@tuc.gr SUMMARY:"Power systems planning for the ener gy transition. Analytical methodolog ies and key challenges" by Dr. Thoma s Nikolakakis LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 145Π-58 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8223&cHash=ee313c6ea3d1c20 943f0675955db079e\nAbstract\n Moving towards carbon neutrality requires gradually transforming the technolog ical, regulatory and fuel landscape of the energy system. The power sect or is expected to grow significantly , as low carbon electricity -primari ly from renewable and nuclear source s- is likely to supply an increasing share of end-use demand across all sectors (industry, buildings, transp ort). In addition, several parts of the energy sector are difficult to d ecarbonize without the use of electr ofuels which are produced using elec tricity.  The transformation of the power sector faces numerous challeng es. Integrating high shares of solar and wind power makes the process of balancing electricity supply and de mand more challenging. Addressing th is challenge requires enhancing flex ibility across regulatory, operation al and technical dimensions (includi ng flexibility in all generation, tr ansmission/distribution, demand, ele ctricity storage, Power to X). At th e same time, reliability must be mai ntained in power systems dominated b y inverter-based, low-inertia techno logies. Early planning is key to ach ieving the transition at minimal cos t. A variety of analytical methodolo gies and tools/models have tradition ally been used to simulate power sys tem operations, optimize investments on generation and transmission and ensure system reliability. More rece ntly, research has advanced toward i ntegrated modelling approaches where decisions in the power sector are a nalyzed/optimized through soft linki ng different type of models - such a s macro-economic models, least-cost optimization models, and grid analys is tools – while accounting for emer ging technologies like electricity s torage, electrolyzers and electric v ehicles. This presentation discusses key modelling approaches, important challenges and current research are as in the analysis of low carbon pow er systems.\n \n About the Speaker\n Thomas Nikolakakis is an engineer a nd expert on power systems planning. He has multi-year experience on mod eling the different aspects of elect ricity generation and transmission a nd studying the role of the power se ctor as part of the wider energy sec tor, the energy transition and the e conomy. Contemporary topics of engag ement include impacts of solar and w ind integration on system operations , the impact of EV’s on the electric ity load and related investments, an d enhancing system flexibility (flex ible generation, electricity storage , EVs, smart grids, regional integra tion, electrofuels etc). In differen t cases Thomas has worked closely wi th energy ministries and utilities a nd has done analysis on power system s from more than 20 countries and/or regions. Thomas has worked as a sen ior modeling expert with many intern ational organizations including the World Bank (ESMAP), the Internationa l Atomic Energy Agency (IAEA), the I nternational Renewable Energy Agency (IRENA) and the International Energ y Agency (IEA). Since 2023, Thomas h as also worked as senior researcher with the DSS lab of the NTUA where, under the Horizon project (DIAMOND), has supported the development of th e electricity and heat modules of th e EU-CLEWs model using OSEMOSYS. Tho mas holds a PhD on energy systems mo deling from Columbia University and a diploma in environmental engineeri ng from the Technical University of Crete. \n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260112T110000 DTEND:20260112T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20260109T093140Z LAST-MODIFIED:20260109T093140Z DTSTAMP:20260612T231001Z UID:1781295000_8219@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Κωνσταντίνου Καββάδη - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8219&cHash=a9026c8312f29a4 91397f86129ecd70e\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Κωνσταντίνου Κα ββάδη\n με θέμα\n Μελέτη της Κατανομ ής Καθυστερήσεων των Πακέτων σε Πρωτ όκολλα Τυχαίας Προσπέλασης με Ελεγχό μενη Πρώτη Πρόσβαση των Πακέτων στο Κανάλι\n Evaluation of Packet Delay Distribution in Blocked Random Acces s Channel Protocols\n Εξεταστική Επι τροπή\n Καθηγητής Μιχαήλ Πατεράκης ( επιβλέπων)\n Καθηγητής Αθανάσιος Λιά βας\n Καθηγητής Θρασύβουλος Σπυρόπου λος\n Περίληψη\n Τα πρωτόκολλα πολλα πλής πρόσβασης είναι κατανεμημένοι α λγόριθμοι, οι οποίοι επιτρέπουν σε έ να σύνολο από γεωγραφικά διασκορπισμ ένους κόμβους, καθένας εκ των οποίων έχει μια ουρά πακέτων προς μετάδοση , να επικοινωνήσουν χρησιμοποιώντας ένα κοινό κανάλι εκπομπής.\n  Ως αλγ όριθμος επίλυσης συγκρούσεων (collis ion resolution algorithm, CRA) ορίζε ται ένας αλγόριθμος  που οργανώνει τ ην επαναμετάδοση των πακέτων που συγ κρούονται με τέτοιο τρόπο ώστε κάθε πακέτο να μεταδίδεται τελικά με επιτ υχία με πεπερασμένη καθυστέρηση.\n   Στόχος της διπλωματικής εργασίας είν αι η μελέτη δύο αντιπροσωπευτικών αλ γορίθμων τυχαίας πολλαπλής πρόσβασης με ελεγχόμενη πρώτη πρόσβαση των πα κέτων στο κανάλι (blocked random acc ess), προκειμένου να προκύψουν χρήσι μα συμπεράσματα σχετικά με την αποδο τικότητα της λειτουργίας τους. \n  Τ α πρωτόκολλα  που αναλύθηκαν και προ σομοιώθηκαν είναι ο αλγόριθμος Δυαδι κού Δένδρου και ο αλγόριθμος First-C ome First-Serve. Και οι δύο επιτυγχά νουν ευσταθή λειτουργία, υψηλά throu ghputs και χαμηλές μέσες καθυστερήσε ις πακέτων. Παρουσιάζονται οι βελτιώ σεις των δύο αλγορίθμων με τις οποίε ς αυξάνεται η απόδοση τους και τα απ οτελέσματα της προσομοίωσης  τους γι α διάφορες τιμές του Poisson συνολικ ού ρυθμού άφιξης πακέτων στο σύστημα , λ, έως και πολύ κοντά  στο μέγιστο throughput του κάθε αλγορίθμου. \n Η σύγκριση της απόδοσης των αλγορίθμ ων βασίζεται στο μέγιστο throughput κάθε πρωτοκόλλου και στην συμπεριφορ ά τόσο της μέσης τιμής, όσο και της αθροιστικής συνάρτησης κατανομής της καθυστέρησης πακέτου σαν συνάρτηση του συνολικού ρυθμού άφιξης πακέτων στο σύστημα, λ. Η προσομοίωση των αλ γορίθμων υλοποιήθηκε στο περιβάλλον της MATLAB.\n Abstract \n Multiple a ccess protocols are distributed algo rithms that enable a set of geograph ically dispersed nodes, each maintai ning a queue of packets for transmis sion, to communicate over a shared b roadcast channel. \n A collision res olution algorithm (CRA) is defined a s an algorithm that organizes the re transmission of colliding packets in such a way that each packet is even tually transmitted successfully with in a finite delay.\n The objective o f this thesis is the analysis of two representative blocked random-acces s algorithms, in order to derive use ful conclusions regarding their oper ational efficiency.\n The protocols analyzed and simulated are the Binar y Tree algorithm and the First-Come First-Serve algorithm. Both achieve stable operation, high throughput, a nd low average packet delays. Improv ements to both algorithms that enhan ce their performance are presented, along with simulation results for va rious values of the total Poisson pa cket arrival rate to the system, λ, up to values very close to the maxim um throughput of each algorithm.\n T he performance comparison of the alg orithms is based on their maximum th roughput and on the behavior of both the mean value and the cumulative d istribution function of packet delay as a function of the total packet a rrival rate to the system, λ. The si mulation of the algorithms was imple mented in the MATLAB environment.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260116T124500 DTEND:20260116T134500 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20251222T141433Z LAST-MODIFIED:20251222T141433Z DTSTAMP:20260612T231001Z UID:1781295000_8215@tuc.gr SUMMARY:Παρουσίαση Μεταπτυχιακής Εργασίας κ. Δημητρίου Μπανέλα - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8215&cHash=371fd8a0f7cad92 9df622178bef9d76b\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Μ εταπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΜΕ ΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ\n Δημητρίου Μπα νέλα\n με θέμα\n Βελτιστοποιημένη Κα τανεμημένη Αναλυτική Επεξεργασία κατ ά Μήκος του Υπολογιστικού Συνεχούς α πό το Νέφος στα Άκρα\n Optimized Dis tributed Analytics as a Service Acro ss the Cloud to the Edge Continuum\n Εξεταστική Επιτροπή\n Επίκουρος Καθ ηγητής Νικόλαος Γιατράκος (επιβλέπων )\n Καθηγητής Αντώνιος Δεληγιαννάκης \n Δρ. Αλκιβιάδης Σιμιτσής (Ερευνητι κό Κέντρο Αθηνά)\n Περίληψη\n Η εκτέ λεση ροών εργασίας (workflows) ανάλυ σης ροών δεδομένων σε µμεγάλης κλίµα κας υποδομές IoT παρουσιάζει µοναδικ ές προκλήσεις. Η κεντρική συλλογή δε δοµένων εξαντλεί το διαθέσιμο εύρος ζώνης και αφήνει ανεκµετάλλευτους το υς πόρους των συσκευών IoT. Επομένως , η εκτέλεση των ροών εργασίας πρέπε ι να πραγµατοποιείται εντός του ίδιο υ του δικτύου, αναθέτοντας την εκτέλ εση των τελεστών των ροών σε συσκευέ ς στο φάσµα από το cloud έως το edge . Ωστόσο, η τεράστια κλίµακα των συσ κευών οδηγεί σε εκθετικό αριθµό πιθα νών συνδυασμών αντιστοίχισης τελεστώ ν σε συσκευές.\n Επιπλέον, οι ροές ε ργασίας εκτελούνται σε δυναµικά περι βάλλοντα, όπου οι ευµετάβλητες καταν οµές των ροών δεδοµένων και οι µεταβ ολές στη διαθεσιµότητα των συσκευών µπορεί να καταστήσουν ένα πλάνο εκτέ λεσης αναποτελεσµατικό. Συνεπώς, οι ταχείες αποφάσεις προσαρµογής είναι κρίσιµες. Για την αντιµετώπιση αυτών των προκλήσεων, παρουσιάζουµε το AP EROL, την πρώτη σουίτα παράλληλων αλ γορίθµων βελτιστοποίησης για έγκαιρη και αποδοτική εκτέλεση ροών εργασία ς σε περιβάλλοντα IoT. Το APEROL εισ άγει µια νέα προσέγγιση στην µοντελο ποίηση του χώρου αναζήτησης, σε συνδ υασµό µε ένα σχήµα απαρίθµησης πλάνω ν εκτέλεσης βασισµένο σε υπογραφές, που επιτρέπουν επεκτάσιµη ϰαι παράλλ ηλη εξερεύνηση πλάνων. Η σουίτα περι λαμβάνει εξαντλητικούς, ευρετικούς, άπληστους και τυχαίας δειγματοληψίας αλγορίθμους, οι οποίοι είναι συµπλη ρωµατικοί ως προς το συμβιβασμό ταχύ τητας εκτέλεσης του αλγορίθμου έναντ ι ποιότητας πλάνου, ανάλογα µε το εκ άστοτε περιβάλλον. Η τρέχουσα υλοποί ηση εξετάζει έως και 2 εκατοµµύρια υ ποψήφια πλάνα ανά δευτερόλεπτο σε συ μβατικά υπολογιστικά συστήματα. Πειρ άματα µε 5 απαιτητικές ροές εργασίας από 2 benchmarks ροών, σε πραγματικ ά και προσομοιωμένα δίκτυα από δεκάδ ες έως και χιλιάδες κόµβους, αποδεικ νύουν την αποτελεσματικότητα και την ταχύτητα του APEROL.\n Abstract\n T he execution of streaming analytics workflows across large-scale IoT inf rastructures poses unique challenges , due to the nature of the streaming workloads, whose distributions are extremely volatile and geo-distribut ed. Central data collection depletes the available bandwidth and leaves IoT device resources unutilized. The refore, workflow execution should be performed in-network, assigning wor kflow operator execution on devices across the cloud-to-edge continuum. However, the vast scale of\n devices results in an exponential number of possible combinations of workflow o perator assignments. On top of that, workflows are executed in dynamic e nvironments where volatile data stre am distributions and device churn ma y render a deployed plan inefficient and, therefore, rapid adaptation de cisions are crucial. To address thes e challenges, we present APEROL, the first suite of parallel optimizatio n algorithms for timely and efficien t workflow execution in IoT environm ents. APEROL introduces a novel conc eptualization of the optimization se arch space, coupled with a signature -based\n execution plan enumeration scheme, that enables scalable, paral lel plan exploration.\n The suite in cludes exhaustive, heuristic, greedy , and random sampling algorithms, wh ich are complementary in algorithm s peed vs. plan quality trade-offs und er different setups. The current imp lementation examines up to 2M candid ate plans per second on commodity ha rdware. Experiments with 5 challengi ng workflows from 2 streaming benchm arks, over real and simulated networ ks ranging from 10s to 1000s of site s show APEROL’s effectiveness and ti meliness.\n Meeting ID: 968 5292 589 4\n Password: 001169\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20251223T120000 DTEND:20251223T130000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20251218T141757Z LAST-MODIFIED:20251218T141757Z DTSTAMP:20260612T231002Z UID:1781295000_8214@tuc.gr SUMMARY:"Algorithms and Systems for Scalable Hardware and Efficient AI" by Dr. C haralampos Antoniadis LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 145Π-58 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8214&cHash=cd3a510522a1870 b33be0d454d32f0a5\n Abstract\n This talk presents a unified research age nda focused on developing scalable a lgorithms and systems that enhance t he efficiency, accuracy, and practic ality of modern computing—spanning h ardware design automation, compresse d AI models, and intelligent sensing . The first part of the presentation covers foundational contributions i n Electronic Design Automation (EDA) , including methodologies in the ASI C design flow, fast and accurate gat e and interconnect delay estimation using current-source models, and tec hniques for efficient sparsification and solution of dense matrices in l arge-scale circuit simulation. These methods substantially reduce comput ational cost while preserving modeli ng fidelity. Building on these algor ithmic principles, the talk then int roduces advances in the compression of vision and language models, with emphasis on the Vanishing Contributi on Technique, a structured pruning a pproach that reduces model size whil e maintaining predictive performance . The presentation continues with co ntributions to smart-city perception systems, addressing AI-driven traff ic scene understanding using static LiDAR sensors and LiDAR/event-driven camera fusion for robust, low-laten cy environmental sensing in complex conditions. It concludes with an ove rview of additional interdisciplinar y projects and a teaching philosophy that emphasizes hands-on problem-so lving, strong algorithmic foundation s, and cross-domain integration to p repare students for emerging challen ges in modern hardware and AI.\n \n About the Speaker\n Charalampos Anto niadis received the Diploma degree ( Hons.) in Computer and Communication Engineering, the M.S. degree in Com puter Science, and the Ph.D. degree in Electrical and Computer Engineeri ng from the University of Thessaly, Volos, Greece, in 2011, 2014, and 20 19, respectively. He is currently a Research Scientist at the I2S (Integ rated Intelligent Systems) Lab, King Abdullah University of Science and Technology (KAUST), Thuwal, Saudi Ar abia. He previously served as a Post doctoral Fellow at KAUST until 2025, affiliated with the Innovative Tech nologies Laboratory (ITL) and the I2 S lab. Before joining KAUST, he spen t one year as an Adjunct Lecturer at the University of Thessaly. His res earch interests include applied mach ine learning, numerical methods for simulation, and algorithmic and syst em-level optimization across both ha rdware and software domains. Dr. Ant oniadis was a recipient of scholarsh ips from the University of Thessaly for his M.Sc. studies and an HFRI (H ellenic Foundation for Research and Innovation) fellowship for his Ph.D. studies. He was also the lead membe r of the student team that achieved First Place in the ACM TAU 2020 and ACM TAU2 2021 international timing a nalysis contests.\n       STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20251222T110000 DTEND:20251222T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20251217T082204Z LAST-MODIFIED:20251217T082204Z DTSTAMP:20260612T231002Z UID:1781295000_8213@tuc.gr SUMMARY:Παρουσίαση διπλωματικής εργασίας κας Αγγελικής Παπαδάκη - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8213&cHash=07ff711247fd8f8 bf8c7558cb0b1a5ef\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Αγγελικής Παπαδ άκη\n με θέμα\n Κλιμακώσιμη Εξόρυξη Σημασιολογικών Τροχιών για Αναγνώρισ η Πολύπλοκων Γεγονότων επί Ροών Δεδο μένων Κίνησης\n Scalable Semantic Tr ajectory Extraction for Simple Event Detection over Streaming Movement D ata\n Εξεταστική Επιτροπή\n Επίκουρο ς Καθηγητής Νικόλαος Γιατράκος (επιβ λέπων)\n Καθηγητής Μιχαήλ Λαγουδάκης \n Αναπληρωτής Καθηγητής Βασίλειος Σ αμολαδάς\n Περίληψη\n Η Πρόβλεψη Απλ ών Γεγονότων αποτελεί το πρώτο βήμα για τη μετατροπή παρατηρησιακών, ακα τέργαστων ροών δεδομένων σε συμβολικ ή γνώση. Στη συνέχεια, τα συστήματα Αναγνώρισης Πολύπλοκων Γεγονότων παρ ακολουθούν συλλογές από Απλά Γεγονότ α με σκοπό την ανίχνευση συγκεκριμέν ων, σύνθετων μοτίβων από τις εισερχό μενες ροές, υποστηρίζοντας την άμεση ή προληπτική λήψη αποφάσεων. Ωστόσο , πριν από την Αναγνώριση Πολύπλοκων Γεγονότων, είναι απαραίτητο τα Απλά Γεγονότα να έχουν αναγνωριστεί σωστ ά. Ενώ το μεγαλύτερο μέρος της υπάρχ ουσας βιβλιογραφίας επικεντρώνεται σ τον ορισμό των Απλών Γεγονότων μέσω αυστηρών κανόνων που παρέχονται από ειδικούς του πεδίου, η χρήση νευρωνι κών δικτύων για την εκμάθηση του τρό που με τον οποίο οι ακατέργαστες ροέ ς δεδομένων πρέπει να προβλέπονται ω ς Απλά Γεγονότα αποδεικνύεται πολύ π ιο ευέλικτη και αξιόπιστη σε σύνθετα περιβάλλοντα. Με γνώμονα αυτή την π αρατήρηση, η παρούσα εργασία αναπτύσ σει την αρχιτεκτονική SSTRESED, η οπ οία λαμβάνει ροές χωρο-χρονικών δεδο μένων και τις επεξεργάζεται σε πραγμ ατικό χρόνο για την πρόβλεψη χρονικά εκτεινόμενων Απλών Γεγονότων. Το SS TRESED εκτελεί εκπαίδευση και πρόβλε ψη παράλληλα, έτσι ώστε ένα εκπαιδευ μένο νευρωνικό μοντέλο να ενημερώνετ αι συνεχώς και, ταυτόχρονα, το μοντέ λο της πρόβλεψης να λαμβάνει τα νέα βάρη του νευρωνικού δικτύου, προκειμ ένου να προβλέπει τα Απλά Γεγονότα μ ε μεγαλύτερη ακρίβεια, βάσει του πλέ ον πρόσφατου μοντέλου. Επιπλέον, στο κομμάτι της πρόβλεψης, τα εισερχόμε να δεδομένα οργανώνονται αρχικά σε τ μήματα ομοιογενών κινήσεων, αξιοποιώ ντας ιδέες από μεθόδους Εξόρυξης Σημ ασιολογικών Τροχιών. Στη συνέχεια, α υτά τα ομοιογενή τμήματα δίνονται γι α πρόβλεψη ως ατομικές μονάδες. Όπως δείχνουμε, αυτή η προσέγγιση, που σ υνδυάζει την Εξόρυξη Σημασιολογικών Τροχιών με την Πρόβλεψη Απλών Γεγονώ των, ενισχύει την ακρίβεια πρόβλεψης , καθώς προκαθορίζει τη χρονική διάρ κεια κατά την οποία η κίνηση παραμέν ει ομοιογενής, ομαδοποιώντας τα δεδο μένα σε συνεκτικά τμήματα πριν από τ ην πρόβλεψη. Για λόγους κλιμάκωσης σ ε μεγάλες χωρο-χρονικές ροές δεδομέν ων, υιοθετούμε κατανεμημένη/παράλληλ η εκτέλεση. Συγκεκριμένα, πολλαπλά π ανομοιότυπα στιγμιότυπα νευρωνικών δ ικτύων εκπαιδεύονται, συγχρονίζονται και στέλνονται σε παράλληλες μονάδε ς εκπαίδευσης και πρόβλεψης, καθώς κ αι τμηματοποίησης. Τα πειραματικά απ οτελέσματα δείχνουν ότι ο παραλληλισ μός μειώνει σημαντικά τον χρόνο εκπα ίδευσης και αυξάνει τη διεκπεραιωτικ ότητα του συστήματος, ενώ η χρήση συ νεχώς ενημερωμένων βαρών στο μοντέλο , παρέχει υψηλή ακρίβεια πρόβλεψης κ ατά τη λειτουργία σε πραγματικό χρόν ο. Η απόδοση ενισχύεται περαιτέρω μέ σω της Εξόρυξης Σημασιολογικών Τροχι ών, η οποία παρέχει αξιόπιστα και ου σιαστικά τμήματα τροχιών μέσω της ρο ής του κομματιού της πρόβλεψης.\n Ab stract \n The identification of Simp le Derived Events (SDEs) is the firs t step for transforming perceptual, raw streams into symbolic knowledge. Then, Complex Event Recognition (CE R) systems, monitor collections of S DEs for detecting specific, complex patterns on the ingested streams for supporting reactive or proactive de cision making procedures. But before CER, one must make sure SDEs are co rrectly identified. While most exist ing work focuses on defining SDEs us ing crisp rules provided by domain e xperts, using neural networks to lea rn how raw streams should be labeled as SDEs is way more flexible and re liable in complex environments. Moti vated by this observation, this thes is develops the SSTRESED architectur e which receives streaming spatiotem poral data points and processes them in a real-time manner to detect dur ative SDEs. SSTRESED operates traini ng and inference on par with one ano ther, so that a trained neural model is continuously updated and, at the very same time, inference receives the new weights of the neural networ k to more accurately label SDEs base d on the most fresh such model. More over, on the inference path, incomin g data are first organized into segm ents of homogeneous movement, by bor rowing ideas from semantic trajector y segmentation concepts. Then, these homogeneous segments are labeled as atomic units. As we show, this appr oach of combining semantic trajector y extraction with SDE labeling boost s SDE detection accuracy because it pre-determines how long the movement remains homogeneous and groups reco rds accordingly into coherent SDE se gments before attributing labels. Fo r scalability purposes over Big spat iotemporal Streams, distributed/para llel execution is fostered. That is, multiple identical neural network i nstances are trained, synchronized a nd deployed in parallel learners and predictors/taggers, along with para llel segmentors. Experimental result s show that parallelization signific antly reduces training time and incr eases prediction throughput, while t he use of continuously updated model weights enables high prediction acc uracy during real-time operation. Th e performance is enhanced by semanti c trajectory extraction, which deliv ers reliable and meaningful trajecto ry segments out of the inference pip eline.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20251219T110000 DTEND:20251219T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20251216T110803Z LAST-MODIFIED:20251216T110803Z DTSTAMP:20260612T231002Z UID:1781295000_8211@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Κωνσταντίνου Ρεβύθη - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8211&cHash=d3881de3d5066b8 b555495282abd71b1\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Κωνσταντίνου Ρε βύθη\n με θέμα\n Οπτικοποίηση Δεδομέ νων Ροής στο Jupyter-Lab \n Visualiz ation of Streaming Data on JupyterLa b\n Εξεταστική Επιτροπή\n Αναπληρωτή ς Καθηγητής Βασίλειος Σαμολαδάς (επι βλέπων)\n Καθηγητής Αντώνιος Δεληγια ννάκης \n Καθηγητής Μίνως Γαροφαλάκη ς \n Περίληψη\n Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυ ξη ενός εργαλείου για την οπτικοποίη ση ροών δεδομένων πραγματικού χρόνου (real-time data stream visualizatio n) εντός του περιβάλλοντος JupyterLa b. Σχεδιασμένο για απόδοση χαμηλής κ αθυστέρησης (low-latency), το εργαλε ίο διευκολύνει την άμεση οπτικοποίησ η εισερχόμενων ροών δεδομένων, ενώ υ ποστηρίζει αξιόπιστες συνδέσεις με α πομακρυσμένες, συνεχείς διεργασίες μ έσω Kafka. Επιπλέον, παρέχει στους χ ρήστες τη δυνατότητα να εκτελούν ερω τήματα και να προβαίνουν σε συνάθροι ση (aggregation) των οπτικοποιημένων δεδομένων διαδραστικά, χωρίς να δια ταράσσεται η ενεργή ροή.\n Για την ε πίτευξη του σκοπού αυτού, η έρευνα ε ντοπίζει και επεκτείνει λύσεις αιχμή ς (state-of-the-art) για την οπτικοπ οίηση ροών δεδομένων στο JupyterLab. Ως θεμελιώδες πλαίσιο επιλέχθηκε το TensorWatch, ένα εργαλείο αποσφαλμά τωσης και οπτικοποίησης σχεδιασμένο για την επιστήμη δεδομένων. Βασιζόμε νη σε αυτό το θεμέλιο, η εργασία εστ ιάζει στη βελτίωση της ευχρηστίας κα ι στην εισαγωγή νέων λειτουργιών που επιτρέπουν στους χρήστες να ενσωματ ώνουν, να οπτικοποιούν και να αλληλε πιδρούν εύκολα με δεδομένα από ποικί λες πηγές και μορφές.\n Η σημασία τη ς παρούσας εργασίας έγκειται στη δημ ιουργία ενός συστήματος που απλοποιε ί την εξερεύνηση και την παρακολούθη ση δεδομένων σε πραγματικό χρόνο. Μέ σω της παροχής άμεσης οπτικής ανάδρα σης, οι χρήστες είναι σε θέση να κατ ανοούν καλύτερα τα δεδομένα τους και να λαμβάνουν τεκμηριωμένες αποφάσει ς πιο αποδοτικά. Δεδομένου ότι τα δε δομένα ροής έχουν συχνά βραχύβια αξί α, η ικανότητα ταχείας οπτικοποίησης και ανάλυσής τους είναι καθοριστική ς σημασίας για τη μεγιστοποίηση της χρησιμότητάς τους.\n Λέξεις-κλειδιά: JupyterLab, Οπτικοποίηση, Tensorwat ch, Kafka, Matplotlib, Ροή Δεδομένων , Ανάλυση Δεδομένων, Μεγάλα Δεδομένα , Python3\n Abstract \n The aim of t his thesis is to develop a tool for real-time data stream visualization within the JupyterLab environment. E ngineered for low-latency performanc e, the tool facilitates the immediat e visualization of incoming data str eams, while supporting robust connec tions to remote continuous processes via Kafka. Furthermore, it empowers users to interactively query and ag gregate visualized data without disr upting the active stream. \n To achi eve this, the research identifies an d extends state-of-the-art solutions for data stream visualization in Ju pyterLab. TensorWatch, a debugging a nd visualization tool designed for d ata science, was selected as the fou ndational framework. Building on thi s foundation, the work focuses on en hancing usability and introducing ne w features that enable users to easi ly integrate, visualize, and interac t with data from various sources and \n formats.\n The significance of th is work lies in creating a system th at simplifies real-time data explora tion and monitoring. By providing im mediate visual feedback, users can b etter understand their data and make informed decisions more efficiently . Since streaming data often has sho rt-lived value, the ability to visua lize and analyze it quickly is cruci al for maximizing its usefulness.\n Keywords: JupyterLab, Visualization, Tensorwatch, Kafka, Matplotlib, Str eaming, Data-analyses, Big-data, Pyt hon3\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20251217T110000 DTEND:20251217T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20251215T131046Z LAST-MODIFIED:20251215T131046Z DTSTAMP:20260612T231002Z UID:1781295000_8210@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Κωνσταντίνου Μπέκου - Σχολή ΗΜΜΥ LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 145Π-58 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8210&cHash=36d6933245d7524 f050913a3ca01ab23\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Κωνσταντίνου Μπ έκου\n με θέμα\n Ανάλυση Γκαουσσιανώ ν Στοχαστικών Διαδικασιών με Περιοδι κούς Πυρήνες\n Analysis of Gaussian Processes with Periodic Kernels\n Εξ εταστική Επιτροπή\n Καθηγητής Διονύσ ιος Χριστόπουλος (επιβλέπων)\n Καθηγ ητής Μιχαήλ Λαγουδάκης\n Καθηγητής Α θανάσιος Λιάβας\n Περίληψη\n Η παρού σα Διπλωματική Εργασία ασχολείται με την επίλυση ενός προβλήματος Ανάλυσ ης Χρονοσειράς (Time Series Analysis ), στα πλαίσια της Μηχανικής Μάθησης με Επίβλεψη (Supervised Machine Lea rning), εφαρμόζοντας Παλινδρόμηση Γκ αουσσιανών Διαδικασιών (Gaussian Pro cess Regression), με χρήση πυρήνων ( kernels) με περιοδικές συνιστώσες. Η χρονοσειρά που αποτελεί το σύνολο δ εδομένων αυτής της εφαρμογής είναι ο ι μηνιαίοι μέσοι όροι των ημερήσιων μετρήσεων του πλήθους των ηλιακών κη λίδων (sunspots). Πρόκειται για ένα από τα πιο χαρακτηριστικά φαινόμενα της ηλιακής δραστηριότητας, το οποίο παρατηρείται και καταγράφεται για π ερισσότερο από δύο αιώνες. Η χρονοσε ιρά παρουσιάζει συμπεριφορά που επαν αλαμβάνεται κάθε έντεκα (11) περίπου έτη.\n Η μέθοδος Παλινδρόμησης Γκαο υσσιανών Διαδικασιών που εφαρμόζουμε , επιδιώκει εκτός από ακριβείς σημει ακές προβλέψεις —όπως όλα τα μοντέλα παλινδρόμησης— να υπολογίσει και αν τίστοιχα διαστήματα πρόβλεψης (predi ction intervals). Τα διαστήματα αυτά αντιπροσωπεύουν ένα εύρος τιμών, το οποίο αναμένεται να περιέχει την πρ αγματική τιμή της διαδικασίας, με κά ποια προκαθορισμένη πιθανότητα. Οι Γ καουσσιανές διαδικασίες αξιοποιούν τ ην υπάρχουσα γνώση σχετικά με τη συμ περιφορά των δεδομένων και τις μεταξ ύ τους συσχετίσεις, ώστε να συμπληρώ σουν αυτήν την πληροφορία σε ενδιάμε σες και μελλοντικές χρονικές στιγμές , επιτυγχάνοντας έτσι καλύτερη προσέ γγιση της συνάρτησης στόχου. Ο καθορ ισμός των συσχετίσεων, μεταξύ τιμών της μοντελοποιούμενης συνάρτησης, επ ιτελείται με την βοήθεια της συνάρτη σης πυρήνα. Αυτή αποτελεί την κεντρι κή «μηχανή» στο εκπαιδευόμενο μοντέλ ο. Κατάλληλοι πυρήνες πρέπει να έχου ν ιδιότητες συμβατές με τη συνάρτηση που μοντελοποιείται. Σε αυτήν την ε ργασία εξετάζονται ευρέως χρησιμοποι ούμενοι πυρήνες με περιοδικά χαρακτη ριστικά καθώς και ένας πυρήνας βασισ μένος στο μοντέλο του στοχαστικού τα λαντωτή (Brownian oscillator). Ο πυρ ήνας αυτός αποτελείται από ημιτονοει δείς συναρτήσεις με εκθετικά μειούμε νο πλάτος. Η προσαρμογή των ελεύθερω ν παραμέτρων των πυρήνων στα δεδομέν α πραγματοποιείται με τη μέθοδο εκτί μησης μέγιστης πιθανοφάνειας (Maximu m Likelihood Estimation), καθώς και με δύο άλλες καινοτόμες μεθόδους που αξιοποιούν τη δειγματική συνάρτηση αυτοσυσχέτισης (sample autocorrelati on function) των δεδομένων εκπαίδευσ ης.\n Εν συντομία, τα μοντέλα που εξ ετάσθηκαν στα πλαίσια αυτής της εργα σίας, αντικατοπτρίζουν αποτελεσματικ ά τις απότομες μεταβολές (σε μικρές χρονικές αποστάσεις) και τις περιοδι κές συσχετίσεις (για γειτονικούς Ηλι ακούς Κύκλους) των τιμών της χρονοσε ιράς. Επίσης, αποδεικνύονται ικανά ν α παράγουν ακριβείς προβλέψεις του π λήθους των ηλιακών κηλίδων σε χρονικ ό ορίζοντα μέχρι και πενήντα (50) μη νών. Οι προγνώσεις αυτές μπορούν να αξιοποιηθούν σε διάφορους τομείς που επηρεάζονται από την ηλιακή δραστηρ ιότητα, όπως για παράδειγμα, στην πρ όληψη προβλημάτων στις δορυφορικές ε πικοινωνίες και στις τηλεπικοινωνίες υψηλής συχνότητας.\n Abstract \n Th is Diploma thesis deals with the sol ution of a Time Series Analysis prob lem, within the framework of Supervi sed Machine Learning, by applying Ga ussian Process Regression, using ker nels with periodic components. The d ataset used in this application cons ists of the monthly averages of dail y measurements of the number of suns pots. This is one of the most charac teristic indicators of solar activit y, which has been observed and recor ded for more than two centuries, exh ibiting a behavior that approximatel y repeats every eleven (11) years.\n The Gaussian Process Regression met hod applied in this work aims, in ad dition to generating accurate point predictions to also compute correspo nding prediction intervals. These in tervals represent a range of values that is expected to contain the true value of the process with a predefi ned probability. Gaussian processes exploit existing knowledge about the behavior of the data and their mutu al correlations in order to interpol ate this information at intermediate and future time points, thereby ach ieving a better approximation of the target function. The specification of the correlations between values o f the modeled function is accomplish ed through the kernel function, whic h constitutes the central “engine” o f the trained model. Suitable kernel s must possess properties compatible with the function being modeled. In this thesis, widely used kernels wi th periodic characteristics are exam ined, as well as a kernel based on t he Brownian oscillator model. This k ernel consists of sinusoidal functio ns with exponentially decaying ampli tude. The fitting of the free parame ters of the kernels to the data is p erformed using Maximum Likelihood Es timation, as well as two other innov ative methods that exploit the sampl e autocorrelation function of the tr aining data.\n In summary, the model s developed in the context of this w ork effectively capture —via their k ernels— the short-time fluctuations (over small temporal scales) and the periodic correlations (across conse cutive Solar Cycles) exhibited by th e time series. Most importantly, the y are shown to accurately predict th e number of sunspots over a forecast ing horizon of up to fifty (50) mont hs. These forecasts can be utilized in various fields affected by solar activity, such as the prevention of problems in satellite communications and high-frequency telecommunicatio ns.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20251222T090000 DTEND:20251222T100000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT BEGIN:VEVENT CREATED:20251213T122847Z LAST-MODIFIED:20251213T122847Z DTSTAMP:20260612T231002Z UID:1781295000_8208@tuc.gr SUMMARY:"The Renaissance of Distributed Shar ed Memory Systems" by Dr. Chloe Alve rti LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 141Π-98 DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8208&cHash=126a756365319aa ddd58c7c431e0bb47\nTitle\n The Renai ssance of Distributed Shared Memory Systems\n  \n Abstract\n Distributed Shared Memory (DSM), a long-standin g systems vision, is being revisited as emerging interconnects such as C XL offer low-latency, cache-coherent memory access across the nodes of a rack. This technological shift invi tes us to rethink core systems inter faces: how processes and state move across machines, how shared-memory a pplications scale in distributed set tings, and how DSM systems remain re silient in the presence of faults. P rogress will require advances in bot h software and hardware—and often th eir co-design. This talk highlights two recent developments along this p ath. CXLfork, a system-software mech anism, introduces a zero-serializati on, near-zero-copy remote fork by ch eckpointing process state directly i nto shared CXL memory. It enables cl uster-wide state deduplication, fine -grained state tiering, and near-loc al fork latency, unlocking rapid pro cess scaling across the rack – essen tial for highly concurrent workloads such as serverless functions. At th e hardware layer, PhasedStore addres ses a fundamental vulnerability of c ache-coherent DSM systems: resilienc e to node failures. In such systems, node crashes can silently lose dirt y shared data buffered in private CP U caches. PhasedStore mitigates this risk by supporting high-performance write-through coherence protocols t hat ensure dirty data is propagated into a fault-tolerant domain, all wh ile preserving the widely adopted To tal Store Order (TSO) memory consist ency model. Together, these developm ents outline a path toward practical , performant, and fault-tolerant dis tributed shared memory.\n  \n \n Abo ut the Speaker\n Chloe Alverti recei ved her Diploma in Electrical and Co mputer Engineering from the National Technical University of Athens in 2 014 and her Ph.D. in Computer Engine ering from the same institution in 2 022.  From 2023 to 2025 she was a po st-doctoral researcher at the CS dep artment of the University of Illinoi s (Urbana-Champaign). Prior and duri ng her PhD studies, she has held res earch positions at Chalmers Universi ty of Technology, the University of Wisconsin–Madison, and she also spen t a year at ZeroPoint Technologies, an academic spin-off. Her research i nterests span operating systems, com puter architecture and hardware–soft ware co-design. Her core expertise l ies in translating hardware technolo gical shifts into system software in novations and for over a decade her work has centered on memory systems. She is a recipient of multiple HiPE AC and best paper awards, and her re cent work on process “teleportation” ’ over CXL fabrics received the Best Paper Award at ASPLOS 2025.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20251217T130000 DTEND:20251217T140000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR