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:20250502T091011Z
LAST-MODIFIED:20250502T091011Z
DTSTAMP:20260720T040045Z
UID:1784509245@tuc.gr
SUMMARY:Παρουσίαση Μεταπτυχιακής Εργασίας κ.
  Κωνσταντίνου Τσακού - 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=7658&cHash=f5ef5b51b8dccba
 85ca8a216a4a3d8c9\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ
 Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και
  Μηχανικών Υπολογιστών\n Πρόγραμμα Μ
 εταπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΜΕ
 ΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ\n Κωνσταντίνου 
 Τσακού \n με θέμα\n Σχεδίαση και Αξι
 ολόγηση Στρατηγικών Τοποθέτησης Μικρ
 οϋπηρεσιών σε Υποδομές Νέφους\n Desi
 gn and Evaluation of Microservice Pl
 acement Strategies in Cloud Infrastr
 uctures\n Εξεταστική Επιτροπή\n Καθη
 γητής Ευριπίδης Πετράκης (επιβλέπων)
 \n Καθηγητής Αντώνιος Δεληγιαννάκης\
 n Αναπληρωτής Καθηγητής Βασίλειος Σα
 μολαδάς\n Περίληψη\n Ο σχεδιασμός κα
 ι η αξιολόγηση στρατηγικών τοποθέτησ
 ης μικρο-υπηρεσιών(microservices) σε
  cloud υποδομές είναι κρίσιμα για τη
  βελτιστοποίηση της χρήσης των πόρων
 , τη μείωση των λειτουργικών εξόδων 
 και τη διασφάλιση υψηλής απόδοσης. Α
 υτή η διατριβή εξετάζει το πρόβλημα 
 της τοποθέτησης Υπηρεσιών σε Cloud π
 εριβάλλοντα, με στόχο τη βελτίωση τη
 ς κατανομής των πόρων και την ελαχισ
 τοποίηση της εξαγόμενης κίνησης (egr
 ess traffic). Η τοποθέτηση Υπηρεσιών
  μοντελοποιείται ως ένα πρόβλημα ομα
 δοποίησης κόμβων ενός γράφου, και δι
 ερευνόνται διάφοροι αλγόριθμοι ομαδο
 ποίησης—συγκεκριμένα οι Affinity Pro
 pagation, Maximum Standard Deviation
  Reduction (MSDR) και Markov Cluster
 ing—τόσο μεμονωμένα όσο και σε συνδυ
 ασμό  με μια στρατηγική τοποθέτησης 
 ονόματι  Heuristic Packing ένα είδος
  Bin Packing αλγορίθμου, για την ανά
 πτυξη αποδοτικών λύσεων τοποθέτησης 
 υπηρεσιών.\n Η μελέτη βασίζεται σε δ
 ύο εφαρμογές αναφοράς βασισμένων σε 
  microservices, το iXen (πρωτότυπο I
 oT) και το Online Boutique (πλατφόρμ
 α ηλεκτρονικού εμπορίου), οι οποίες 
 έχουν αναπτυχθεί σε Kubernetes clust
 ers στο  Google Cloud. Μέσω φόρτισης
  του συστήματος (load stressing), αξ
 ιολογούνται κριτήρια όπως η απόδοση 
 των διαφορετικών στρατηγικών τοποθέτ
 ησης ως προς τη χρήση των κόμβων, τη
  μείωση της εξαγόμενης κίνησης, το χ
 ρόνο εκτέλεσής τους στην λήψη απόφασ
 ης και η οικονομική αποδοτικότητα. Τ
 α αποτελέσματά δείχνουν ότι ο Affini
 ty Propagation αλγόριθμος σε συνδυασ
 μό με  Heuristic Packing και ο Maxim
 um Standard Deviation Reduction σε σ
 υνδυασμό με Heuristic Packing ξεπερν
 ούν σταθερά άλλες στρατηγικές, προσφ
 έροντας χαμηλή χρήση πόρων, μειωμένη
  εξαγόμενη κίνηση και ελάχιστα κόστη
  συνολικά.\n Τα ευρήματα υποδεικνύου
 ν ότι, ενώ ο Affinity Propagation πρ
 οσφέρει ταχεία εκτέλεση, καθιστώντας
  τον κατάλληλο για δυναμικά περιβάλλ
 οντα, ο MSDR προσφέρει ανώτερη βελτι
 στοποίηση μακροπρόθεσμα εις βάρος το
 υ χρόνου εκτέλεσης. Αυτές οι στρατηγ
 ικές συνιστώνται για εφαρμογές με υψ
 ηλή επικοινωνία μεταξύ των υπηρεσιών
  και μεταβαλλόμενα φορτία κίνησης. Α
 υτή η εργασία συνεισφέρει στον τομέα
  προσφέροντας γνώση σχετικά με την ε
 φαρμογή αλγορίθμων ομαδοποίησης για 
 την τοποθέτηση microservices και προ
 τείνει μελλοντικές κατευθύνσεις για 
 την ενσωμάτωση τεχνητής νοημοσύνης κ
 αι προσαρμοστικών στρατηγικών, με στ
 όχο την περαιτέρω βελτιστοποίηση της
  τοποθέτησης υπηρεσιών σε cloud υποδ
 ομές.\n Abstract\n The design and ev
 aluation of microservice placement s
 trategies in cloud infrastructures i
 s crucial for optimizing resource ut
 ilization, reducing operational cost
 s, and ensuring high performance. Th
 is thesis explores the Service Place
 ment problem on cloud environments, 
 with a focus on improving resource a
 llocation and minimizing egress traf
 fic. Service Placement is modeled as
  a graph clustering problem, and var
 ious clustering algorithms are inves
 tigated—specifically Affinity Propag
 ation, Maximum Standard Deviation Re
 duction (MSDR), and Markov Clusterin
 g—and are combined also with a place
 ment strategy called Heuristic Packi
 ng to develop efficient service plac
 ement solutions.\n The study is base
 d on two benchmark microservice appl
 ications, iXen (IoT prototype) and O
 nline Boutique (e-commerce platform)
 , deployed on Kubernetes clusters in
  a Google Cloud environment. Through
  load stressing, criteria like the p
 erformance of different placement st
 rategies in terms of node utilizatio
 n, egress traffic reduction, executi
 on time, and cost efficiency are eva
 luated. The results show that Affini
 ty Propagation with Heuristic Packin
 g and Maximum Standard Deviation Red
 uction with Heuristic Packing consis
 tently outperform other strategies, 
 offering low resource utilization, r
 educed egress traffic, and minimal c
 osts in total.\n The findings sugges
 t that while Affinity Propagation pr
 ovides fast execution, making it sui
 table for dynamic environments, MSDR
  offers superior long-term optimizat
 ion at the expense of execution time
 . These strategies are recommended f
 or applications with high inter-serv
 ice communication and varying traffi
 c loads. This work contributes to th
 e field by providing insights into t
 he application of clustering algorit
 hms for microservice placement and s
 uggests future directions for integr
 ating machine learning and adaptive 
 strategies to further optimize servi
 ce deployment in cloud-based systems
 .\n Meeting ID: 613 764 0471\n Passw
 ord: 582678\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20250506T140000
DTEND:20250506T150000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR