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:20260709T133849Z LAST-MODIFIED:20260709T133849Z DTSTAMP:20260909T124119Z UID:1788946879@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Ιωάννη Γιαννουράκη- 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=8569&cHash=d7362b9f168b392 e0bb11af73817594c\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ιωάννη Γιαννουρ άκη\n με θέμα\n Ανάλυση Ριζικών Αιτι ών Εφαρμοσμένη σε Ένα Πανεπιστημιακό Δίκτυο Αξιοποιώντας Μοντέρνες Μεθόδ ους Μηχανικής Μάθησης \n Root Cause Analysis Performed on a Campus Netwo rk using Modern Machine Learning Met hods\n Εξεταστική Επιτροπή\n Καθηγητ ής Θρασύβουλος Σπυρόπουλος (επιβλέπω ν)\n Καθηγητής Μιχαήλ Γ. Λαγουδάκης\ n Δρ Ιωάννης Πευκιανάκης (Staff Wire less Architect, Apple)\n Περίληψη\n Η διάγνωση προβλημάτων απόδοσης σε ε ταιρικά ασύρματα δίκτυα IEEE 802.11 απαιτεί βαθιά εξειδίκευση στο αντικε ίμενο, ώστε να είναι δυνατή η ερμηνε ία πυκνών και πολυδιάστατων αρχείων καταγραφής συστήματος. Παρότι συστήμ ατα ελέγχου που τρέχουν το Aruba OS 8, όπως αυτό που χρησιμοποιείται στο δίκτυο της πανεπιστημιούπολής μας, παρέχουν πληθώρα δεδομένων δικτύου, ο τεράστιος όγκος και η πολυπλοκότητ α αυτών των syslogs καθιστούν τη χει ροκίνητη Ανάλυση Βασικών Αιτιών (Roo t Cause Analysis – RCA) ιδιαίτερα αν αποτελεσματική και επιρρεπή σε σφάλμ ατα. Η παρούσα διπλωματική εργασία ε ισάγει ένα έξυπνο πλαίσιο βασισμένο σε διάφορες πηγές δεδομένων, για την αυτοματοποίηση της διάγνωσης προβλη μάτων δικτύων, αξιοποιώντας προσαρμο σμένη πληροφορία και γλωσσικά μοντέλ α με δυνατότητες συλλογισμού.\n Για την ακριβή αποτύπωση της δυναμικής α λληλεπίδρασης μεταξύ των χρηστών και του δικτύου, αναπτύχθηκε μια προσαρ μοσμένη εφαρμογή διακομιστή-πελάτη γ ια την παρακολούθηση της απόδοσης. Η πληροφορία στο επίπεδο του χρήστη ε ξήχθη σε πραγματικό χρόνο και συσχετ ίστηκε αυστηρά ως χρονοσειρά με συγκ εντρωτικά αρχεία συστήματος του Arub a OS 8. Η σύνθεση αυτή οδήγησε στη δ ημιουργία ενός νέου, εξειδικευμένου συνόλου δεδομένων (dataset) αντιμετώ πισης προβλημάτων, ειδικά σχεδιασμέν ου για την καταγραφή και την αξιολόγ ηση σύνθετων σεναρίων βλάβης σε δίκτ υα Wi-Fi. Στη συνέχεια, το εξειδικευ μένο αυτό σύνολο δεδομένων χρησιμοπο ιήθηκε για τη διερεύνηση και την αξι ολόγηση μιας αυτοματοποιημένης διαγν ωστικής μεθοδολογίας, βασισμένης σε εκπαίδευση δύο σταδίων. Αρχικά, η με θοδολογία αξιοποιεί ένα πολυπρακτορι κό σύστημα για επιβλεπόμενη λεπτομερ ή προσαρμογή γλωσσικών μοντέλων (Sup ervised Fine-Tuning – SFT), ενσωματώ νοντας γνώση του αντικειμένου στο μο ντέλο μέσω της παραγωγής δομημένων, βήμα προς βήμα διαδρομών συλλογισμού αλυσίδας σκέψης (Chain-of-Thought – CoT). Στη συνέχεια, εφαρμόζεται ενι σχυτική μάθηση μέσω της μεθόδου Grou p Relative Policy Optimization (GRPO ), με σκοπό την περαιτέρω βελτίωση τ ης διαγνωστικής ακρίβειας του μοντέλ ου. Μέσω της επιτυχούς αντιστοίχισης σύνθετων καταστάσεων του δικτύου σε σαφώς προσδιορισμένες βασικές αιτίε ς και της παραγωγής κατανοητών από τ ον άνθρωπο, πολυβηματικών διαγνωστικ ών επεξηγήσεων, η παρούσα διπλωματικ ή εργασία επιβεβαιώνει την αποτελεσμ ατικότητα της αξιοποίησης λεπτομερώς προσαρμοσμένων γλωσσικών μοντέλων μ ικρού μεγέθους. Τελικά, η προσέγγιση αυτή γεφυρώνει το χάσμα μεταξύ της ακατέργαστης, πυκνά δομημένης πληροφ ορίας του συστήματος και των αξιοποι ήσιμων συμπερασμάτων, ενισχύοντας ση μαντικά την ερμηνευσιμότητα και τη λ ειτουργική διαχείριση εταιρικών ασύρ ματων περιβαλλόντων.\n Abstract \n D iagnosing performance anomalies in e nterprise IEEE 802.11 wireless netwo rks requires deep domain expertise t o parse dense, high-dimensional syst em logs. While controllers running A ruba OS 8, like the one used in our campus network, provide extensive te lemetry, the sheer volume and comple xity of these syslogs make manual Ro ot Cause Analysis (RCA) highly ineff icient and prone to error. This thes is introduces a data-driven, intelli gent framework to automate network d iagnostics by leveraging customized telemetry and reasoning-capable lang uage models. \n To accurately captur e the dynamic interaction between cl ients and the network, a custom perf ormance monitoring server-client app lication was developed. Real-time us er plane telemetry was extracted and strictly time-series correlated wit h aggregated Aruba OS 8 syslogs. Thi s synthesis resulted in a novel, cur ated troubleshooting dataset specifi cally designed to capture and benchm ark complex Wi-Fi fault scenarios. T his curated dataset was subsequently utilized to explore and evaluate an automated diagnostic pipeline based on a two-stage training methodology . Initially, the pipeline employs a multi-agent system for supervised fi ne-tuning (SFT), embedding domain kn owledge into the model by generating structured, step-by-step chain-of-t hought (CoT) reasoning trajectories. Following this, reinforcement learn ing via group relative policy optimi zation (GRPO) is applied to further refine the model's diagnostic accura cy. By successfully mapping intricat e network states to definitive root causes and generating human-readable , multi-step diagnostic explanations , this thesis demonstrates the effic acy of deploying fine-tuned, small-s ized language models. Ultimately, th is approach bridges the gap between raw, densely packed system telemetry and actionable insights, significan tly enhancing the interpretability a nd operational management of enterpr ise wireless environments.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260710T123000 DTEND:20260710T133000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR