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:20251126T123221Z LAST-MODIFIED:20251126T123221Z DTSTAMP:20260719T221808Z UID:1784488688@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Γεωργίου Μάριου Τσικριτζάκη - 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=8193&cHash=f0563135f749f37 6df5b26e161a7b61b\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Γεωργίου Μαρίου Τσικριτζάκη\n με θέμα\n Ένας Βελτισ τοποιητής για Κλιμακώσιμη Προσεγγιστ ική Αναγνώριση Πολύπλοκων Γεγονότων στο Apache Flink\n An Optimizer for Scalable Approximate Complex Event R ecognition over Apache Flink\n Εξετα στική Επιτροπή\n Επίκουρος Καθηγητής Νικόλαος Γιατράκος (επιβλέπων)\n Κα θηγητής Μίνως Γαροφαλάκης\n Αναπληρω τής Καθηγητής Βασίλειος Σαμολαδάς\n Περίληψη\n Τα συστήματα Complex Even t Processing (CEP) συχνά αντιμετωπίζ ουν υπερφόρτωση όταν ο ρυθμός εισερχ όμενων γεγονότων υπερβαίνει τη διαθέ σιμη υπολογιστική ισχύ ή τη μνήμη.\n Σε τέτοιες συνθήκες, το backpressur e και η υπερβολική αύξηση της κατάστ ασης μπορούν να υποβαθμίσουν σοβαρά την απόδοση, οδηγώντας σε καθυστερημ ένα ή απαρχαιωμένα σύνθετα γεγονότα που ενδέχεται να χάσουν τη λειτουργι κή τους σημασία. Η παρούσα διπλωματι κή εργασία αντιμετωπίζει αυτή την πρ όκληση παρουσιάζοντας ένα πιθανοτικό , ανά είδος γεγονότος πλαίσιο απόρρι ψης δεδομένων για CEP στο Apache Fli nk. Κάθε οντότητα στη ροή γεγονότων διαθέτει έναν προκαθορισμένο προϋπολ ογισμό (event budget), που περιορίζε ι τον αριθμό των γεγονότων που διατη ρούνται στη μνήμη και εξασφαλίζει φρ αγμένο μέγεθος κατάστασης σε όλους τ ους τελεστές. Η προτεινόμενη προσέγγ ιση απορρίπτει επιλεκτικά γεγονότα μ ε στατιστικά ελεγχόμενο τρόπο, ώστε να σταθεροποιήσει την απόδοση διατηρ ώντας παράλληλα υψηλή ακρίβεια ανίχν ευσης. Οι λόγοι απόρριψης (shedding ratios) ανά είδος γεγονότος και τα ε πίπεδα παραλληλισμού των τελεστών ρυ θμίζονται αυτόματα μέσω μιας διαδικα σίας Bayesian Optimization, η οποία αναζητά τη βέλτιστη λύση για κάθε συ νδυασμό Selection Strategy και Consu mption Policy στο CEP. Αυτό επιτρέπε ι την προσαρμοστική διαχείριση της α πόδοσης σε όλα τα σημασιολογικά μοντ έλα CEP, αντί της βελτιστοποίησης γι α έναν μόνο τύπο ερωτήματος. Πέρα απ ό τον σχεδιασμό ενός νέου, ελαφρού μ ηχανισμού shedding, η εργασία εξετάζ ει επίσης, τη σχέση μεταξύ απόρριψης δεδομένων και παραλληλισμού ως συνε ργατικές στρατηγικές για τη διατήρησ η της απόδοσης. Το προτεινόμενο πλαί σιο αξιολογεί και τις δύο προσεγγίσε ις υπό τις ίδιες συνθήκες και προσδι ορίζει πότε το shedding είναι απαραί τητο, πότε ο παραλληλισμός από μόνος του προσφέρει την ιδανική ισορροπία μεταξύ ρυθμού επεξεργασίας και ακρί βειας, καθώς και πότε πρέπει να εφαρ μόζονται και τα δύο παράλληλα. Τέλος , η μελέτη εξετάζει τον αντίκτυπο τω ν χρονικών σημασιών—event time και i ngestion time—στην Ποιότητα Αποτελεσ μάτων (QoR) και στα αντίστοιχα αποτε λέσματα βελτιστοποίησης. Τα πειραματ ικά αποτελέσματα δείχνουν ότι το προ τεινόμενο πλαίσιο προσαρμόζεται αποτ ελεσματικά στα χαρακτηριστικά του φό ρτου, επιτυγχάνοντας ισορροπημένη βε λτίωση τόσο στον ρυθμό επεξεργασίας όσο και στην ακρίβεια για κατανεμημέ νες CEP εφαρμογές βασισμένες στο Fli nk.\n Abstract \n Complex Event Proc essing (CEP) systems often face over load when incoming event rates excee d processing or memory capacity.  Un der such conditions, backpressure an d excessive state growth can severel y degrade performance, resulting in delayed or outdated complex events t hat may lose their operational relev ance. This thesis addresses this cha llenge by introducing a probabilisti c, stratified load-shedding framewor k for CEP on Apache Flink. Each enti ty in the stream is allocated a fixe d event budget, which limits the num ber of events maintained in memory a nd ensures bounded state size across operators. The approach selectively discards events in a statistically controlled manner to stabilize perfo rmance while preserving detection ac curacy. Shedding ratios per event ty pe and operator parallelism levels a re automatically tuned through a Bay esian Optimization process, which se arches for the best configuration fo r each combination of CEP selection strategy and consumption policy. Thi s enables adaptive performance manag ement across all CEP semantics rathe r than optimizing for a single query type. Beyond proposing a new lightw eight shedding mechanism, the thesis also studies the trade-off between load shedding and operator paralleli sm as synergistic strategies for sus taining performance. The framework e valuates both approaches under ident ical conditions and determines when shedding is necessary, when parallel ism alone provides the optimal balan ce between throughput and accuracy o r when both should be applied on par with one another. Finally, the stud y examines the impact of time semant ics—event time, and ingestion time—o n Quality of Results (QoR) and on th e resulting optimization outcomes.   The results demonstrate that the pro posed framework effectively adapts t o workload characteristics, achievin g a balanced improvement in throughp ut and accuracy for distributed CEP applications built on Flink.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20251128T090000 DTEND:20251128T100000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR