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:20250212T083155Z LAST-MODIFIED:20250212T083155Z DTSTAMP:20260719T212737Z UID:1784485657@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Γεωργίου Σκουλά - 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=7540&cHash=25fa66b0e25b3be f0028d6b33214241b\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Γεωργίου Σκουλά \n με θέμα\n Συλλογή και Ανάλυση Σετ Δεδομένων για Αλγορίθμους Δικτύων μ ε χρήση Μεθόδων Τεχνητής Νοημοσύνης\ n Collection and Analysis of Dataset s for AI-Driven Networking Algorithm s\n Εξεταστική Επιτροπή\n Καθηγητής Θρασύβουλος Σπυρόπουλος (επιβλέπων)\ n Καθηγητής Γεώργιος Καρυστινός \n Κ αθηγητής Διονύσιος Χριστόπουλος\n Πε ρίληψη\n Η ενσωμάτωση της τεχνητής ν οημοσύνης στα δικτυακά συστήματα έχε ι εγκαινιάσει μια νέα εποχή αποδοτικ ότητας, επεκτασιμότητας και ευφυΐας στη διαχείριση των σύγχρονων επικοιν ωνιακών υποδομών. Ωστόσο, η αποτελεσ ματικότητα των αλγορίθμων δικτύωσης που βασίζονται στην τεχνητή νοημοσύν η εξαρτάται άμεσα από την ποιότητα τ ων δεδομένων που χρησιμοποιούνται γι α την ανάπτυξη και αξιολόγησή τους. Η παρούσα διπλωματική εργασία εστιάζ ει στη συλλογή, προεπεξεργασία και α νάλυση συνόλων δεδομένων από διάφορο υς τομείς, όπως το cloud computing, τα δίκτυα 4G και πλατφόρμες όπως το YouTube, με στόχο τον σχεδιασμό προη γμένων αλγορίθμων που βασίζονται στη ν τεχνητή νοημοσύνη. Παρουσιάζεται μ ια εκτενής μελέτη τεσσάρων βασικών σ υνόλων δεδομένων: Helios και Philly, τα οποία αντιπροσωπεύουν φόρτους ερ γασίας βασισμένους σε GPU στο cloud computing· ένα σύνολο δεδομένων 4G L TE που καταγράφει την απόδοση κυψελο ειδών δικτύων υπό διάφορες συνθήκες κινητικότητας· και ένα σύνολο δεδομέ νων από το Youtube που περιλαμβάνει μετρήσεις αλληλεπίδρασης χρηστών. Κά θε σύνολο δεδομένων προεπεξεργάζεται και αναλύεται διεξοδικά για την αντ ιμετώπιση προκλήσεων, όπως η μη στασ ιμότητα, οι βαριές ουρές κατανομών κ αι τα ελλιπή δεδομένα. Τεχνικές ανάλ υσης χρονοσειρών, όπως η κυλιόμενη μ έση τιμή, η συνάρτηση αυτοσυσχέτισης και το τεστ Augmented Dickey-Fuller (ADF), εφαρμόζονται για την εξαγωγή στατιστικών ιδιοτήτων και τη βελτίω ση της καταλληλότητας των δεδομένων για μοντέλα προβλέψεων. Επιπλέον, η εργασία καταδεικνύει τις πρακτικές ε φαρμογές αυτών των συνόλων δεδομένων μέσω της ανάπτυξης μοντέλων, όπως τ ο ARIMA και τα νευρωνικά δίκτυα. Τα μοντέλα αξιολογούνται για την ικανότ ητά τους να προβλέπουν σύμφωνα με δε ίκτες απόδοσης, να βελτιστοποιούν τη ν κατανομή πόρων και να ενισχύουν τη ν αξιοπιστία των δικτυακών συστημάτω ν. Παράλληλα, οι γνώσεις που απορρέο υν από την ανάλυση συμβάλλουν στη δι αμόρφωση στρατηγικών βελτίωσης της α πόδοσης συστημάτων και στην ανάπτυξη πολιτικών προγραμματισμού με αντοχή σε σφάλματα σε συμπλέγματα GPU και κυψελοειδή δίκτυα. Τα ευρήματα αυτής της διπλωματικής εργασίας αναδεικνύ ουν τον κρίσιμο ρόλο των αξιόπιστων συνόλων δεδομένων στην προώθηση των αλγορίθμων δικτύωσης που βασίζονται στην τεχνητής νοημοσύνης. Μέσα από τ ην αντιμετώπιση προκλήσεων συλλογής και προεπεξεργασίας δεδομένων και τη ν επίδειξη της χρησιμότητάς τους σε πραγματικά σενάρια, η παρούσα εργασί α συνεισφέρει στις βάσεις για μελλον τικές καινοτομίες στα ευφυή δικτυακά συστήματα.\n Abstract \n The integr ation of artificial intelligence (AI ) into networking systems has ushere d in a new era of efficiency, scalab ility, and intelligence in managing modern communication infrastructures . However, the effectiveness of AI-d riven networking algorithms is intri nsically tied to the quality and rel evance of the datasets used for thei r development and evaluation. This t hesis focuses on the collection, pre processing, and analysis of datasets derived from diverse domains, inclu ding cloud computing, 4G networks, a nd online platforms like YouTube, to enable the design of advanced AI-dr iven algorithms. We present a compre hensive study of four key datasets: Helios and Philly, representing GPU- based cloud computing workloads, a 4 G LTE dataset capturing cellular net work performance under varying mobil ity conditions, and a YouTube datase t encompassing user engagement metri cs. Each dataset is meticulously pre processed and analyzed to address ch allenges such as non-stationarity, h eavy-tailed distributions, and missi ng data. Time-series analysis techni ques, including rolling mean, autoco rrelation function (ACF), and the Au gmented Dickey-Fuller (ADF) test, ar e applied to uncover statistical pro perties and enhance data suitability for predictive modeling. This work also demonstrates the practical appl ications of these datasets by develo ping predictive models using techniq ues such as ARIMA and neural network s. The models are evaluated for thei r ability to forecast key performanc e metrics, optimize resource allocat ion, and enhance the reliability of networking systems. Additionally, in sights from the analysis inform stra tegies for improving system performa nce and developing error-resilient s cheduling policies in GPU clusters a nd cellular networks. The findings o f this thesis underscore the critica l role of robust datasets in advanci ng AI-driven networking algorithms. By addressing the challenges of data collection and preprocessing and sh owcasing their potential in real-wor ld scenarios, this work contributes to the foundation for future innovat ions in intelligent networking syste ms. \n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20250218T110000 DTEND:20250218T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR