ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Θωμά Σαμούτη

με θέμα

Δυναμική τοποθέτηση Μικρουπηρεσιών στο Kubernetes
Dynamic Scheduling of Microservices in Kubernetes

Εξεταστική Επιτροπή
Καθηγητής Ευριπίδης Πετράκης (επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς

Περίληψη
Η βιομηχανία ανάπτυξης λογισμικού εξελίσσεται συνεχώς. Η άνοδος του υπολογιστικού νέφους, η χρήση τεχνολογίας containers και οι αρχιτεκτονικές βασισμένες σε microservices έχουν εισαγάγει νέες προκλήσεις για τη βελτιστοποίηση της απόδοσης εφαρμογών και της μείωσης του λειτουργικού κόστους.
Το Kubernetes έχει καθιερωθεί ως το πρότυπο για τη διαχείριση και ενορχήστρωση εφαρμογών που εκτελούνται σε containers, σε περιβάλλοντα υπολογιστικού νέφους. Ένας Kubernetes cluster επιτρέπει την ανάπτυξη εφαρμογών βασισμένων σε microservices σε πολλούς virtual machines, ενω διαχειρίζεται παράλληλα την επικοινωνία μεταξύ των διαφόρων virtual machines.
Ωστόσο, ο προεπιλεγμένος scheduler του Kubernetes βασίζεται κυρίως σε στατικά κριτήρια. Αυτό μπορεί να οδηγήσει σε μη βέλτιστες τοποθετήσεις υπηρεσιών που δεν λαμβάνουν υπόψη τα μοτίβα επικοινωνίας μεταξύ τους. Επιπλέον, οι πάροχοι υπολογιστικού νέφους χρεώνουν βάσει του όγκου των δεσμευμένων πόρων, ακόμα και αν αυτοί δεν αξιοποιούνται πλήρως. Η αύξηση της εξερχόμενης κίνησης δικτύου μπορεί επίσης να καταστήσει τις μη βέλτιστες τοποθετήσεις ιδιαίτερα δαπανηρές. Επιπροσθέτως, η εφαρμογή στρατηγικών τοποθέτησης υπηρεσιών που λαμβάνουν υπόψη μόνο την αρχική τοποθέτηση της εφαρμογής μπορεί να έχει σημαντικά αποτελέσματα στην απόδοση και το κόστος, εφόσον ο φόρτος εργασίας παραμένει σταθερός. Όμως οι σύγχρονοι φόρτοι εργασίας είναι εξαιρετικά δυναμικοί, με μοτίβα χρήσης που μπορούν να μεταβάλλονται ταχύτατα, καθιστώντας τις στατικές στρατηγικές τοποθέτησης λιγότερο αποτελεσματικές.
Στην παρούσα Διπλωματική Εργασία, εστιάσαμε στην αξιολόγηση δυναμικών στρατηγικών τοποθέτησης οι οποίες προσαρμόζονται στις μεταβολές του φόρτου εργασίας, με στόχο τη βελτιστοποίηση της απόδοσης εφαρμογών και τη μείωση του κόστους σε περιβάλλον Kubernetes. Αναπτύξαμε δύο εφαρμογές αξιολόγησης επιδόσεων (benchmarking) σε έναν Kubernetes cluster που φιλοξενείται στην πλατφόρμα Google Cloud Platform. Υλοποιήσαμε ένα εργαλείο λήψης αποφάσεων που παρακολουθεί συνεχώς τον φόρτο εργασίας για μεταβολές και, μέσω του αλγορίθμου Twin-comparison, προσδιορίζει εάν η επιλεγμένη στρατηγική τοποθέτησης χρειάζεται να επανεφαρμοστεί. Για την αξιολόγηση της απόδοσης των δυναμικών στρατηγικών τοποθέτησης, προσαρμόσαμε τους προεπιλεγμένους φόρτους εργασίας των εφαρμογών αξιολόγησης ώστε να παρουσιάζουν υψηλή μεταβλητότητα.
Αξιολογήσαμε τρεις διαφορετικούς αλγορίθμους τοποθέτησης και συγκρίναμε την απόδοση και την οικονομική τους αποδοτικότητα σε σύγκριση με τον προεπιλεγμένο scheduler του Kubernetes, καθώς και με σενάρια χωρίς επανατοποθέτηση. Τα πειραματικά αποτελέσματα δείχνουν ότι οι δυναμικές στρατηγικές τοποθέτησης μπορούν να βελτιώσουν σημαντικά την απόδοση εφαρμογών και να μειώσουν το κόστος σε περιβάλλον Kubernetes. Επιπλέον, καταδεικνύουμε ότι η αποτελεσματικότητα των δυναμικών στρατηγικών τοποθέτησης εξαρτάται από τα συγκεκριμένα χαρακτηριστικά του φόρτου εργασίας. Σε περίπτωση στατικών φόρτων εργασίας, η εφάπαξ βελτιστοποίηση τοποθέτησης μπορεί να αποδειχθεί επαρκής, ενώ σε εξαιρετικά δυναμικούς φόρτους εργασίας, η απουσία προσαρμογής στις μεταβολές μπορεί να έχει σημαντικές αρνητικές συνέπειες.

Abstract 
The software development industry is evolving. The rise of cloud computing, containerization, and microservices-based architectures has introduced new challenges when optimizing application performance and operational costs.
Kubernetes has become the industry standard for orchestrating containerized applications in cloud environments. A Kubernetes cluster allows deploying microservices-based applications across multiple hosts (VMs) while managing communication between the various VMs. 
However, the default Kubernetes scheduler relies primarily on static criteria. This can lead to sub-optimal placements that do not take into account the communication patterns between services. Moreover, cloud providers charge based on the amount of used resources even if they are not fully utilized. Also, the increase in outbound network traffic can also make non optimal placements costly. Furthermore, applying service placement strategies that only consider the initial deployment of the application can have significant results on application performance and cost if the workload remains constant.  But todays workloads are highly dynamic, with traffic patterns that can change rapidly, making static placement strategies less effective.
In this Thesis, we focused on the evaluation of dynamic placement strategies which adapt to workload changes in order to optimize application performance and cost in a Kubernetes environment. We have deployed two benchmarking applications in a Kubernetes cluster hosted in the Google Cloud Platform. We have implemented a decision making tool that continuously monitors workload for changes and by using the Twin-comparison algorithm determines if the selected placement strategy needs to be reapplied. To evaluate the performance of dynamic placement strategies, we have adapted the default workloads of the benchmarking applications to be highly volatile.
We evaluated three different placement algorithms and compared their performance and cost-effectiveness with the default Kubernetes scheduler, as well as against scenarios without any re-placement. The experimental results show that dynamic placement strategies can significantly improve application performance and reduce costs in a Kubernetes environment. Additionally, we show that the effectiveness of dynamic placement strategies depends on the specific workload characteristics. In case of static workloads, the one-time placement optimization can be sufficient, while in highly dynamic workloads can have significant drawbacks if not adapted to workload changes. 

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Αναστασίου Γεωργίου

με θέμα

Αξιολόγηση και Μοντελοποίηση Τεχνολογίας SiC MOSFET για Εφαρμογές σε Υψηλές Θερμοκρασίες
Evaluation and Modeling of SiC MOSFET Τechnology for High Temperature Applications

Εξεταστική Επιτροπή
Καθηγητής Ματτίας Μπούχερ (επιβλέπων)
Καθηγητής Κωνσταντίνος Γυφτάκης
Επίκουρος Καθηγητής Γεώργιος Πέππας

Περίληψη
Τα τελευταία χρόνια, οι διατάξεις βασισμένες σε ημιαγωγούς ευρέος ενεργειακού χάσματος (wide bandgap semiconductors) όπως το 4H-SiC, χρησιμοποιούνται ολοένα και περισσότερο σε εφαρμογές ισχύος και υψηλής ϑερμοκρασίας, λόγω του μεγάλου ενεργειακού χάσματος, της αντοχής σε υψηλά ηλεκτρικά πεδία και της βελτιωμένης ϑερμικής τους συμπεριφοράς σε σύγκριση με το πυρίτιο.
Στο πλαίσιο αυτό, η παρούσα διπλωματική εργασία επικεντρώνεται στην αξιολόγηση και μοντελοποίηση MOSFET τεχνολογίας 2μm 4H-SiC για λειτουργία σε αυξημένες ϑερμοκρασίες. Τα υπό μελέτη δείγματα προέρχονται από το Γερμανικό Ερευνητικό Ινστιτούτο Fraunhofer IISB, ενώ οι ηλεκτρικές μετρήσεις πραγματοποιήθηκαν στο εργαστήριο σε ϑερμοκρασιακό εύρος από 25 ⁰C έως 150 ⁰C.
Η εργασία βασίζεται στο μοντέλο EKV για την περιγραφή της λειτουργίας των διατάξεων με έμφαση στη ϑερμοκρασιακή εξάρτηση βασικών φυσικών παραμέτρων και στη βελτίωση της περιγραφής της συμπεριφοράς του καναλιού. Πραγματοποιείται εξαγωγή παραμέτρων από μετρήσεις C–V και I–V, ενώ το Low-Field Mobility εξάγεται προκειμένου να μελετηθεί η μεταβολή της κινητικότητας με την αύξηση της ϑερμοκρασίας και να αξιολογηθεί η επίδραση ϑερμικών φαινομένων στη λειτουργία των διατάξεων.
Η ανάλυση αναδεικνύει διαφοροποίηση στη νόθευση μεταξύ NMOS και PMOS διατάξεων με τις συσκευές PMOS να παρουσιάζουν ενδείξεις Non-Uniform Doping γεγονός που οδηγεί σε επέκταση του βασικού μοντέλου. Το προτεινόμενο μοντέλο επιτυγχάνει βελτιωμένη προσέγγιση με τα πειραματικά δεδομένα και συμβάλλει στην ακριβέστερη κατανόηση της συμπεριφοράς των SiC MOSFET σε συνθήκες υψηλής ϑερμοκρασίας.

Abstract 
In recent years, devices based on wide bandgap semiconductors, such as 4H-SiC have been increasingly used in power and high-temperature applications due to their large bandgap, high electric field strength and improved thermal performance compared to silicon.
In this context, the present diploma thesis focuses on the evaluation and modeling of 2μm 4H-SiC MOSFET technology for operation at elevated temperatures. The devices under study were provided by the German Research Institute Fraunhofer IISB and the electrical measurements were performed at the laboratory over a temperature range from 25 ⁰C to 150 ⁰C.
The work is based on the EKV MOSFET model for describing device operation with emphasis on the temperature dependence of key physical parameters and on improving the description of channel behavior. Parameter extraction is performed using C–V and I–V measurements, while the low-field mobility is extracted in order to study how mobility changes with increasing temperature and to evaluate the impact of thermal effects on device performance.
The analysis reveals differences in doping profiles between NMOS and PMOS devices with the PMOS devices showing clear indications of Non-Uniform Doping. This observation leads to an extension of the basic model. The proposed model achieves an improved fit with the experimental data and contributes to a more accurate understanding of the behavior of SiC MOSFETs under high-temperature operating conditions.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Γεωργίου Ευαγγελόπουλου

με θέμα
Διερεύνηση και Ανάπτυξη Αποτελεσματικού Federated Learning για την Πρόβλεψη της Ατμοσφαιρικής Ρύπανσης
Investigating and Developing Efficient Federated Learning for Air Pollution Prediction

Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς (επιβλέπων)
Καθηγητής Γεώργιος Χαλκιαδάκης
Επίκουρος Καθηγητής Νικόλαος Γιατράκος
    
Περίληψη
Η ατμοσφαιρική ρύπανση αποτελεί εδώ και καιρό σημαντική απειλή για τη δημόσια υγεία στην περιοχή της Δυτικής Μακεδονίας στην Ελλάδα, μια απειλή που αποδίδεται στην εξόρυξη λιγνίτη και στα έντονα μολυσμένα αέρια που εκπέμπονται κατά την καύση του για την παραγωγή ηλεκτρικής ενέργειας. Ενώ οι σύγχρονες συσκευές του Διαδικτύου των Πραγμάτων (IoT) προσφέρουν δυνατότητες λεπτομερούς παρακολούθησης, οι συμβατικές κεντρικοποιημένες προσεγγίσεις μηχανικής μάθησης που χρησιμοποιούνται για την πρόβλεψη της ποιότητας του αέρα αντιμετωπίζουν δυσκολίες όσον αφορά το απόρρητο των δεδομένων και σημαντικά ζητήματα εύρους ζώνης (bandwidth) κατά την κλιμάκωση σε μεγάλες ποσότητες συλλεγόμενων δεδομένων.
Αυτή η διπλωματική εργασία προτείνει και αξιολογεί ένα πλαίσιο Ομόσπονδης Μάθησης (Federated Learning - FL) με προστασία του απορρήτου για την πρόβλεψη της συγκέντρωσης PM2.5 στην ατμόσφαιρα. Χρησιμοποιώντας μια αρχιτεκτονική Long Short-Term Memory (LSTM), το μοντέλο εκπαιδεύτηκε σε έξι διαφορετικούς σταθμούς ατμοσφαιρικών μετρήσεων που βρίσκονται στο Αμύνταιο, τον Φιλώτα, την Κοιλάδα, την Κάτω Κώμη, τα Πετρανά και την Ποντοκώμη, χρησιμοποιώντας ιστορικά ωριαία δεδομένα που καλύπτουν την περίοδο 2019-2025.
Τα πειραματικά αποτελέσματα δείχνουν ότι η προσέγγιση του ομόσπονδου μοντέλου LSTM επιτυγχάνει Μέσο Απόλυτο Σφάλμα (MAE) 1,75 μg/m³. Συγκρίνοντας το με την κεντρικοποιημένη προσέγγιση (MAE 1,41 μg/m³), παρατηρούμε έναν συμβιβασμό (trade-off) περίπου 0,34 μg/m³. Αν και ελαφρώς υψηλότερη, η απόδοση του μοντέλου παραμένει συγκρίσιμη με το κεντρικοποιημένο «χρυσό πρότυπο» (MAE 1,41 μg/m³). Επιπλέον, η σύγκριση του μοντέλου LSTM με τις αρχιτεκτονικές GRU και SimpleRNN βοηθά στην επιβεβαίωση του LSTM ως ανώτερου μοντέλου, καθώς παρέχει μεγαλύτερη σταθερότητα κατά τη διαδικασία ενσωμάτωσης (aggregation) με τυπική απόκλιση 0,019.
Όσον αφορά την αποδοτικότητα του δικτύου, η μελέτη διαπιστώνει ότι ενώ η Ομόσπονδη Μάθηση (FL) παρέχει ουδέτερο κόστος εύρους ζώνης για ωριαίες αναφορές, αποδίδει μια θεωρητική μείωση του εύρους ζώνης κατά 98,1% εάν μεταβαίναμε σε μετρήσεις επιπέδου λεπτού. Αυτά τα ευρήματα επιβεβαιώνουν ότι η Ομόσπονδη Μάθηση προσφέρει μια κλιμακώσιμη λύση, συμβατή με τους κανόνες απορρήτου, για την περιβαλλοντική παρακολούθηση σε ετερογενείς βιομηχανικές περιοχές.

Abstract 
Air pollution has long posed a major public health threat in the region of Western Macedonia in Greece, a threat that is attributed to lignite mining and heavily polluted gases that are emitted during lignite burning to produce electricity. While modern Internet of Things (IoT) devices offer granular monitoring capabilities, conventional centralized machine learning approaches used for air quality prediction struggle with data privacy and major bandwidth concerns when scaling to large amounts of collected data. 
This thesis proposes and evaluates a privacy preserving Federated Learning (FL) Framework for forecasting PM2.5 concentration in the atmosphere. Making use of a Long Short-Term Memory (LSTM) architecture, the model was trained across six different atmospheric measuring stations located in Amyntaio, Filotas, Koilada, Kato Komi, Petrana and Pontokomi, using historical hourly data spanning 2019-2025. 
Experimental results showcase that the Federated LSTM model approach achieves a Mean Absolute Error (MAE) of 1.75 μg/m³. Comparing that to the centralized approach (MAE 1.41 μg/m³) we observe a trade-off of approximately 0.34 μg/m³. While slightly higher, the model's performance remains comparable to the centralized 'gold standard' (MAE 1.41 μg/m³). Furthermore, comparing the LSTM model against GRU and SimpleRNN architectures helps us confirm LSTM as the superior model as it provides more stability during the aggregation process with a standard deviation of 0.019.
In terms of network efficiency, the study establishes that while FL provides neutral bandwidth costs for hourly reporting, it yields a theoretical bandwidth reduction of 98.1% if we were to switch to minute level measurements. These findings confirm that Federated Learning offers a scalable, privacy-compliant solution for environmental monitoring in heterogeneous industrial regions.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

ΑΘΑΝΑΣΙΟΥ ΠΕΓΚΟΥ

με θέμα

Διερεύνηση Αναδιαμορφώσιμων Λύσεων Προσανατολισμένων στο Υλικό για την Ταυτόχρονη ή Σχεδόν Ταυτόχρονη Εφαρμογή Επεκτάσιμων Container σε Υλικό

Investigating Reconfigurable Hardware-Oriented Solutions for the Concurrent or Near-Concurrent Implementation of hw-extended Containers

Εξεταστική Επιτροπή

Καθηγητής Σωτήριος Ιωαννίδης (Επιβλέπων)
Ομότιμος Καθηγητής Απόστολος Δόλλας
Δρ. Κωνσταντίνος Γεωργόπουλος

Περίληψη

Το ARCHON είναι ένα client-server framework που υποστηρίζει hardware extended containers και τρέχει σε AMD Zynq UltraScale+ MPSoC ZCU102 πλακέτες. Επιτρέπει σε πολλαπλούς χρήστες να εκτελούν Linux containers με ανεξάρτητη πρόσβαση σε περιοχές της FPGA, ταυτόχρονα. Κάθε χρήστης μπορεί να φορτώσει το δικό του bitstream στην περιοχή του, χρησιμοποιώντας την τεχνολογία Dynamic Function eXchange, χωρίς να επηρεάζει τους υπόλοιπους χρήστες. Η επικοινωνία μεταξύ client και server προστατεύεται με mTLS, τα Dockerfiles μεταφέρονται κρυπτογραφημένα με AES-256-CBC και ο client υποστηρίζει TPM 2.0 για αποθήκευση των ιδιωτικών κλειδιών σε hardware. Παρέχεται επίσης ένα δημόσιο client API για ενσωμάτωση με εφαρμογές τρίτων. Το σύστημα αξιολογήθηκε υλοποιώντας ένα demo με 4 χρήστες που εκτελούνταν ταυτόχρονα στην ίδια πλατφόρμα. Τα αποτελέσματα επιβεβαίωσαν ότι η μερική επαναδιαμόρφωση του FPGA, η κρυπτογραφημένη μεταφορά αρχείων και η διαχείριση Linux containers λειτουργούν σωστά και ανεξάρτητα για κάθε χρήστη.

Abstract 

ARCHON is a client-server framework that supports hardware-extended containers and runs on AMD Zynq UltraScale+ MPSoC ZCU102 boards. It allows multiple users to execute Linux containers with independent access to FPGA regions, simultaneously. Each user can load their bitstream in assigned FPGA region, using Dynamic Function eXchange technology, without affecting other users that use the FPGA. The communication between client and server is protected using mTLS, Dockerfiles are transferred encrypted using AES-256-CBC and the client supports TPM 2.0 for hardware storage of private keys. A public client API is also provided for third-party application integration. The system was evaluated with a demo of 4 users that use the same platform simultaneously. The results confirm that for each user, the partial reconfiguration of FPGA, the encrypted file transfer and Linux containers management, work correctly and independently.
 

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Κωνσταντίνου Νικολού

με θέμα
Βελτιστοποίηση Κατανεμημένων Βαθιών Νευρωνικών Δικτύων για Προβλήματα Ταξινόμησης
Optimizing Distributed Deep Neural Networks for Classification Problems

Εξεταστική Επιτροπή
Καθηγητής Θρασύβουλος Σπυρόπουλος (επιβλέπων)
Καθηγητής Βασίλειος Διγαλάκης
Καθηγητής Ευάγγελος Καλογεράκης

Περίληψη
Το Διαδίκτυο των Πραγμάτων (ΙοΤ) ήδη αποτελείται από έναν ταχέως αναπτυσσόμενο στόλο συσκευών διεσπαρμένων παγκοσμίως. ΄Ενα μεγάλο μέρος αυτού του οικοσυστήματος αποτελείται από κάμερες CCTV και μονάδες ελέγχου κυκλοφορίας, παράγοντας μια ολοένα αυξανόμενη ροή δεδομένων. Μια μεμονωμένη κάμερα 4K παράγει έναν τεράστιο όγκο δεδομένων καθημερινά που χρειάζεται να επεξεργαστεί και να ταξινομηθεί τοπικά ή απομακρυσμένα, με τις δύο περιπτώσεις να ασκούν βαριά πίεση στην κατανομή εύρους ζώνης και στους υπολογιστικούς πόρους. Παρόμοιες προκλήσεις εμφανίζονται σε μεγάλης κλίμακας μοντέλα τεχνητής νοημοσύνης όπως τα LLMs, όπου οι υπολογιστικές απαιτήσεις ξεπερνούν τις περιορισμένες δυνατότητες των συσκευών στο άκρο. Στην πράξη, όλες αυτές οι cloud-edge εφαρμογές αντιμετωπίζουν το ίδιο δίλημμα: να επεξεργαστούν κάθε καρέ τοπικά για να εξοικονομήσουν κόστος εύρους ζώνης, ή να το αποφορτώσουν στο cloud κερδίζοντας υψηλότερη ακρίβεια ως αντάλλαγμα. Μια λύση που ερευνάται ήδη από την κοινότητα είναι η χρήση των Κατανεμημένων Βαθιών Νευρωνικών Δικτύων (DDNNs). Σε αυτά τα συστήματα, το ρηχό μέρος του μοντέλου εκτελείται στη συσκευή, στοχεύοντας σε γρήγορες αποκρίσεις χαμηλής καθυστέρησης, ενώ το βαθύτερο μέρος εκτελείται στο cloud, παράγοντας πιο λεπτομερείς και σύνθετες απαντήσεις. Παλαιότερες εργασίες συχνά έκαναν την απόφαση αποφόρτωσης εξετάζοντας απλές μετρήσεις εμπιστοσύνης, όπως ο υπολογισμός της εντροπίας της τοπικής εξόδου ή η χρήση του Monte Carlo Dropout Uncertainty. Ωστόσο, αυτές οι ευρετικές τεχνικές μπορεί να είναι παραπλανητικές, ειδικά σε περιπτώσεις όπου το edge μοντέλο είναι ιδιαίτερα σίγουρο για τη δική του λανθασμένη πρόβλεψη. Η προσέγγισή μας διατηρεί την αρχιτεκτονική του κατανεμημένου δικτύου αλλά αλλάζει τον κανόνα απόφασης: αντί για σταθερές ευρετικές μεθόδους, ένα μικρό ρηχό Νευρωνικό Δίκτυο που βρίσκεται στη συσκευή εκπαιδεύεται να προβλέπει εάν ένα δείγμα μπορεί να ταξινομηθεί με ασφάλεια τοπικά ή θα πρέπει να σταλεί στο υπολογιστικό νέφος για περαιτέρω επεξεργασία. Δοκιμές στο CIFAR-10 και άλλα σύνολα δεδομένων δείχνουν ότι αυτή η εκμαθημένη στρατηγική υπεραποδίδει έναντι των απλών ευρετικών τεχνικών όπως η εντροπία, μία φυσική επιλογή για τα τελευταίας τεχνολογίας μοντέλα, επιτρέποντας ταυτόχρονα περισσότερα δείγματα να επεξεργάζονται απευθείας στο άκρο.

Abstract 
The Internet of Things (IoT) already consists of a fast-growing fleet of devices scattered worldwide. A large part of this ecosystem is made up of CCTV cameras and traffic-control units producing an ever-increasing flow of data. A single 4K camera produces a huge amount of data daily that needs to be processed and classified locally or remotely both of which put heavy pressure on bandwidth and computing resources. Similar challenges appear in large-scale AI models such as LLMs, where the computational demands exceed the limited capabilities of edge devices. In practice, all these cloud-edge applications face the same dilemma: process each frame locally to save bandwidth cost or offload it to the cloud to gain higher accuracy in return. One solution already in research by the community is the use of Distributed Deep Neural Networks (DDNNs). In these systems, the shallow part of the model runs on the device aiming for fast low-latency responses, while the deeper part executes in the cloud producing more detailed and complex answers. Earlier work often made the off-loading decision by looking at simple confidence measures, such as calculating the entropy of the local exit or using Monte Carlo Dropout Uncertainty. However, these heuristic techniques can be misleading, especially in cases where the edge model is highly confident about its own wrong prediction. Our approach keeps the distributed-network architecture but changes the decision rule: instead of fixed heuristics, a small shallow Neural Network located on the device is trained to predict whether a sample can be safely classified locally or should be sent to the cloud for further processing. Testing on CIFAR-10 and other datasets showed that this learned strategy clearly outperforms simple heuristics such as the entropy, a natural choice in state-of-the-art models, while allowing more samples to be processed directly on the edge.

🌱 Τίτλος Διημερίδας: «Green Careers & Intelligent Recruitment – Η Επόμενη Μέρα», 

📅 Τετάρτη 11 Μαρτίου και Πέμπτη 12 Μαρτίου 2026 |🕙 ώρες: 13:00 - 16:00

📍 Γ2.1 Αμφιθέατρο,

Facebook Event

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ευαγγέλου Κοτσομύτη

με θέμα
Μια Διαδικτυακή Πλατφόρμα Διαχείρισης Kubernetes για την Ενίσχυση της Πρακτικής Μάθησης στην Εκπαίδευση της Επιστήμης των Υπολογιστών
A Web-Based Kubernetes Management Platform for Enhanced Practical Learning in Computer Science Education

Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς (επιβλέπων)
Καθηγητής Ευριπίδης Πετράκης
Επίκουρος Καθηγητής Νικόλαος Γιατράκος

Περίληψη
Τα επεκτάσιμα, απομονωμένα και διαχειρίσιμα υπολογιστικά περιβάλλοντα είναι ολοένα και πιο απαραίτητα στην εκπαίδευση της επιστήμης των υπολογιστών, ειδικά για μαθήματα που απαιτούν πρακτική διαχείριση συστήματος, πρακτική εξάσκηση DevOps και ανάπτυξη λογισμικού. Αυτή η διατριβή παρουσιάζει τον σχεδιασμό, την υλοποίηση και την αξιολόγηση ενός συστήματος διαχείρισης container που βασίζεται στο Kubernetes για ακαδημαϊκή χρήση.
Το σύστημα συνδυάζει την ενορχήστρωση του Kubernetes με web app και υπηρεσίες backend. Οι βασικές δυνατότητες περιλαμβάνουν έλεγχο πρόσβασης βάσει ρόλων, μόνιμη αποθήκευση, αυτοματοποιημένη διαχείριση κύκλου ζωής κοντέινερ και πρόσβαση SSH ανά μαθητή. Το backend υλοποιείται στο Spring Boot και το frontend στο React, με έμφαση στην ανταπόκριση και την χρηστικότητα.
Η ανάπτυξη απαιτούσε την αντιμετώπιση προκλήσεων όπως η διαμόρφωση RBAC, η βελτιστοποίηση εικόνας κοντέινερ, η ενσωμάτωση βάσεων δεδομένων με την PostgreSQL και οι περιορισμοί δικτύωσης στο Minikube. Αυτά τα ζητήματα επιλύθηκαν μέσω επαναληπτικής διαμόρφωσης, τεκμηρίωσης και αυτοματισμού. Τα αποτελέσματα δείχνουν ότι το Kubernetes μπορεί να υποστηρίξει μια πρακτική πλατφόρμα διδασκαλίας που εξισορροπεί την ασφάλεια, τη χρηστικότητα και το λειτουργικό overhead. Η διατριβή περιγράφει επίσης τους περιορισμούς και τις μελλοντικές εργασίες, συμπεριλαμβανομένων των αυτοματοποιημένων ελέγχων ασφαλείας, της υποστήριξης πολλαπλών συμπλεγμάτων, της βελτιωμένης παρακολούθησης και των βελτιώσεων UX.

Abstract 
Scalable, isolated, and manageable computing environments are increasingly necessary in computer science education, especially for courses that require hands-on system administration, DevOps practice, and software deployment. This thesis presents the design, implementation, and evaluation of a Kubernetes-based container management system for academic use. 
The system combines Kubernetes orchestration with a web interface and backend services. Core capabilities include role-based access control, persistent storage, automated container lifecycle management, and per-student SSH access. The backend is implemented in Spring Boot and the frontend in React, with a focus on responsiveness and usability. 
Development required addressing challenges such as RBAC configuration, container image optimization, database integration with PostgreSQL, and networking constraints in Minikube. These issues were resolved through iterative configuration, documentation, and automation. The results show that Kubernetes can support a practical teaching platform that balances security, usability, and operational overhead. The thesis also outlines limitations and future work, including automated security checks, multi-cluster support, enhanced monitoring, and UX improvements. 

Meeting ID: 922 3498 8102
Password: 101839

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Φωτίου Κατσάρη

με θέμα
Πρόβλεψη Φορτίου Συστήματος Ηλεκτρικής Ενέργειας με χρήση Τεχνητής Νοημοσύνης
Electric Power System Load Forecast using Artificial Intelligence

Εξεταστική Επιτροπή
Καθηγητής Γεώργιος Χαλκιαδάκης (Επιβλέπων)
Επίκουρος Καθηγητής Γεώργιος Πέππας
Καθηγητής Φώτιος Κανέλλος (Πολυτεχνείο Κρήτης, Σχολή ΜΠΔ) 

Περίληψη
Η παρούσα διπλωματική εργασία πραγματεύεται την πρόβλεψη του ηλεκτρικού φορτίου σε ένα Σύστημα Ηλεκτρικής Ενέργειας με τη χρήση μεθόδων Τεχνητής Νοημοσύνης. Αρχικά, παρουσιάζεται 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 πρόβλεψης φορτίου, με έμφαση στις μεθόδους χρονοσειρών και σε άλλα κλασικά μαθηματικά μοντέλα.
Ιδιαίτερη έμφαση δίνεται στην Τεχνητή Νοημοσύνη και στις σύγχρονες εξελίξεις της, με αναλυτική παρουσίαση των τεχνητών νευρωνικών δικτύων, της δομής, της λειτουργίας και των πλεονεκτημάτων τους έναντι των παραδοσιακών μεθόδων πρόβλεψης. Παρουσιάζεται επίσης ο ρόλος της Τεχνητής Νοημοσύνης στα σύγχρονα συστήματα ηλεκτρικής ενέργειας και ειδικότερα στη διαδικασία πρόβλεψης του ηλεκτρικού φορτίου.
Στο πειραματικό μέρος της εργασίας χρησιμοποιούνται δύο εφαρμογές του περιβάλλοντος MATLAB, συγκεκριμένα τα εργαλεία Neural Network Fitting και Neural Network Time Series. Τα δεδομένα ηλεκτρικού φορτίου αντλήθηκαν από τον ιστότοπο του ΑΔΜΗΕ και αφορούν τα ημερήσια φορτία για το έτος 2024, ενώ χρησιμοποιήθηκαν και αντίστοιχα μετεωρολογικά δεδομένα για την ίδια χρονική περίοδο. Πραγματοποιείται ημερήσια πρόβλεψη φορτίου εξετάζοντας δύο διαφορετικές περιπτώσεις, καθώς και διαφορετικό αριθμό νευρώνων στο κρυφό στρώμα των νευρωνικών δικτύων, με στόχο τη σύγκριση της ακρίβειας και της απόδοσης των μοντέλων. Τα αποτελέσματα αναλύονται και αξιολογούνται, αναδεικνύοντας την αποτελεσματικότητα των τεχνητών νευρωνικών δικτύων στην πρόβλεψη ηλεκτρικού φορτίου.

Abstract 
This diploma thesis focuses on electric power system load forecasting using Artificial Intelligence techniques. Initially, the structure and operation of the electric power system are presented, highlighting the importance of accurate load forecasting 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.
Special attention is given to Artificial Intelligence and its modern developments, with a detailed analysis of Artificial Neural Networks, including their structure, operation, and advantages compared to traditional forecasting methods. The role of Artificial Intelligence in modern power systems and specifically in load forecasting applications is also discussed.
In the experimental part of the thesis, two MATLAB applications are employed, namely Neural Network Fitting and Neural Network Time Series. The electric load data were obtained from the official website of the Independent Power Transmission Operator (IPTO – ADMIE) and correspond to daily load values for the year 2024, while relevant meteorological data for the same period were also incorporated. Daily load forecasting is performed by examining two different scenarios and varying the number of neurons in the hidden layer of the neural networks, aiming to evaluate and compare the performance and accuracy of the developed models. The results are analyzed and assessed, demonstrating the effectiveness of artificial neural networks in electric load forecasting.

🎯 Career Day with EY Greece

“Τεχνητή Νοημοσύνη & Αγορά Εργασίας”

📅 Παρασκευή  6 Μαρτίου  2026,  ⏰ώρα 13:00 

Γ2.1 Αμφιθέατρο “Μανούσος Μανουσάκης”

Facebook Event

Οι συμμετέχοντες προπτυχιακοί και μεταπτυχιακοί φοιτητές του Πολυτεχνείου Κρήτης θα έχουν την ευκαιρία να γνωρίσουν την εταιρεία EY Greece και τα στελέχη της, τις ευκαιρίες απασχόλησης σε σύγχρονους τομείς της τεχνολογίας και της διοίκησης, τις δεξιότητες που απαιτούνται στη σύγχρονη αγορά εργασίας και να εμπνευστούν από πραγματικές ιστορίες επιτυχίας.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Αναστασίας Κιάφα

με θέμα
Δυναμικά Αναδιατασσόμενες Λειτουργίες Περιβάλλοντος Διαπιστευμένης Εκτέλεσης σε Αρχιτεκτονικά Συστήματα RISC-V
Dynamically Reconfigurable TEE primitives in RISC-V SoC

Εξεταστική Επιτροπή
Καθηγητής Σωτήριος Ιωαννίδης (επιβλέπων)
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς
Δόκτωρ Γεώργιος Χρήστου

Περίληψη
Τα Περιβάλλοντα Διαπιστευμένης Λειτουργίας (TEE) προσφέρουν την δυνατότητα απομόνωσης με χρήση hardware, στοχεύοντας στη προστασία ευαίσθητων προγραμμάτων και δεδομένων από πιθανές διακινδυνεύσεις του λογισμικού περιλαμβανομένου του λειτουργικού συστήματος. Τα σύγχρονα TEE παρουσιάζουν συγκεκριμένες λειτουργίες ασφάλειας όπως η απομόνωση της μνήμης, attestation , ασφαλή I/O, κρυπτογραφικούς επιταχυντές, ώστε να ορίσουν και να εφαρμόσουν σαφή όρια μεταξύ των έμπιστων και μη δομικών στοιχείων του συστήματος. Ωστόσο, αυτή η προσέγγιση δεν καλύπτει επαρκώς τις ανάγκες για προσαρμοστικότητα που απαιτείται με την εξέλιξη των απειλών και των εφαρμογών. Απαντώντας σε αυτό το επιχείρημα η παρακάτω διπλωματική εργασία προτείνει μια δυναμικά αναδιατασσόμενη αρχιτεκτονική που υλοποιεί λειτουργίες TEE σε αρχιτεκτονικά συστήματα RISC − V, χρησιμοποιώντας Field Programmable Gate Arrays (FPGA) προσφέροντας ευέλικτες λύσεις που μπορούν να προσαρμοστούν στις εξελισσόμενες απαιτήσεις. Το σύστημα χρησιμοποιεί την υλοποίηση της αρχιτεκτονικής RISC−V του Tarassov στοχεύοντας στη δημιουργία ενός integrity monitor που πιστοποιεί το εκτελούμενο πρόγραμμα μέσω του hash του .text κομματιού του. Για την δημιουργία του hash τροποποιήθηκε ένα έτοιμο SHA256 cryptographic core, τοποθετημένο στην επαναπρογραμματιζόμενη περιοχή της FPGA και συνδέθηκε με Direct Memory Access (DMA) controller που βρίσκεται στην στατική περιοχή της. Ο DMA εκτελεί μεταφορές δεδομένων από τη μνήμη του συστήματος στον core χωρίς την εμπλοκή του επεξεργαστή, με ένα user − space interface το οποίο ρυθμίζει τον DMA και τον cryptographic core χρησιμοποιώντας memory −mapped registers. Ακόμη, αναπτύχθηκε ένα βοηθητικό πρόγραμμα για τον εντοπισμό του .text segment στη physical memory. Αυτή η υλοποίηση συνεισφέρει στη μεθοδολογία για τη δημιουργία ευέλικτων, με χρήση hardware TEE σε αρχιτεκτονικά συστήματα RISC −V. Μετρήσαμε την απόδοση του integrity primitive και παρατηρήσαμε ότι ο DMA controller μεταφέρει αποτελεσματικά δεδομένα στο SHA256 core με χρόνους μεταφοράς δεδομένων οι οποίοι αυξάνονται γραμμικά από 6ms σε 16ms με την αύξηση των δεδομένων από 4ΚΒ σε 16ΚΒ, και με χρόνους hashing να παραμένουν σταθεροί σε 1ms. Το σύστημα λειτουργεί όπως αναμενόταν, επικυρώνοντας τον σχεδιασμό μας.

Abstract 
Trusted Execution Environments (TEEs) provide the ability for hardware-enforced isolation, enabling the protection of sensitive code and data against a potential compromise of system software including the operating system. Modern TEE implementations offer a single set of primitives e.g., memory isolation, attestation, secure I/O, cryptographic accelerators, to define and enforce trust boundaries between trusted and untrusted system components. However, static security hardware is insufficient to address the need for adaptability required by constant evolving threats and diverse application needs. To address this, the present thesis introduces a dynamically reconfigurable architecture for implementing TEE primitives on RISC-V System-on-Chip (SoC) platforms, utilizing FPGA technology offering flexible security options that can adapt to changing demands. The proposed system is based on Tarassov's RISC-V project. The architecture is aimed to perform as an integrity monitor, verifying application code by computing and checking the hash of the .text segment. A pre-existing SHA256 cryptographic core, altered for integration with a Direct Memory Access (DMA) controller located in the static region, is employed in the reconfigurable region for hashing operations. The DMA engine performs data transfers from system memory to the cryptographic core without the processor intervention. Additionally, a user-space interface was developed to configure both the DMA and the cryptographic core through memory-mapped registers. A helper tool was also implemented  to retrieve the physical memory addresses of executing program segments. This work contributes to the methodology for developing flexible reconfigurable, hardware-assisted TEEs on open RISC-V platforms. We measured our integrity primitive and observed that the DMA effectively transfers data to the SHA256 core with transfer times that increased linearly from 6ms to 16ms with data sizes of 4KB to 16KB, and the SHA256 hardware accelerator consistently performed at a stable latency of 1ms. The system responds consistently and as predicted, validating the implementation of our AXI DMA architecture for memory-mapped cryptographic acceleration.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Φιλίας Μαυρικάκη

με θέμα
Ομοσποδιακή Βαεσιανή Μάθηση για Επιδημιολογική Μοντελοποίηση
Federated Bayesian Learning for Epidemiological Modeling

Εξεταστική Επιτροπή
Καθηγητής Βασίλειος Σαμολαδάς (επιβλέπων)
Καθηγητής Θρασύβουλος Σπυρόπουλος 
Καθηγητής Γεώργιος Χαλκιαδάκης     

Περίληψη
Η πρόσφατη κρίση του COVID-19 κατέδειξε την επιτακτική ανάγκη για ακριβή και έγκαιρη επιδημιολογική μοντελοποίηση. Τα σύγχρονα υπολογιστικά μοντέλα, και συγκεκριμένα η Μικροσκοπική Προσέγγιση Μαρκοβιανών Αλυσίδων (Microscopic Markov Chain Approach - MMCA), προσφέρουν τη δυνατότητα λεπτομερούς προσομοίωσης της εξάπλωσης ιών, λαμβάνοντας υπόψη κρίσιμες παραμέτρους όπως η ηλικιακή διαστρωμάτωση του πληθυσμού, τα μοτίβα κινητικότητας και η κατάσταση της νόσου σε ατομικό επίπεδο. Ωστόσο, η αποτελεσματικότητα αυτών των μοντέλων εξαρτάται άμεσα από την πρόσβαση σε εξαιρετικά ευαίσθητα, μικροσκοπικά δεδομένα υγείας και μετακίνησης.
Εδώ προκύπτει μια θεμελιώδης σύγκρουση: η ανάγκη για συλλογή δεδομένων σε κεντρικούς διακομιστές για την εκπαίδευση των μοντέλων προσκρούει στις αυστηρές νομοθετικές ρυθμίσεις προστασίας προσωπικών δεδομένων (όπως ο GDPR). Παράλληλα, οι παραδοσιακές μέθοδοι Μηχανικής Μάθησης (Machine Learning) και Ομοσπονδιακής Μάθησης (Federated Learning) που βασίζονται στην ανταλλαγή παραγώγων (gradients) μέσω της καθόδου κλίσης (Gradient Descent), καθίστανται ανεπαρκείς. Ο λόγος είναι ότι οι σύγχρονοι επιδημιολογικοί προσομοιωτές (όπως ο EpiSim.jl) παρουσιάζουν στοχαστική και μη-διαφορίσιμη συμπεριφορά, καθιστώντας αδύνατο τον άμεσο υπολογισμό παραγώγων.
Η παρούσα διπλωματική εργασία προτείνει και υλοποιεί Μπεϋζιανή Ομοσπονδιακή Μάθηση (Bayesian Federated Learning - BFL), με σκοπό  τη βελτιστοποίηση επιδημιολογικών προσομοιώσεων σε κατανεμημένα περιβάλλοντα που διασφαλίζουν την ιδιωτικότητα. Η προσέγγιση αυτή επιλύει το πρόβλημα της εκτίμησης παραμέτρων (parameter estimation) χωρίς να απαιτείται η μεταφορά των πρωτογενών δεδομένων των ασθενών.
Κεντρικός πυλώνας της μεθοδολογίας είναι η χρήση της Προσεγγιστικής Μπεϋζιανής Υπολογιστικής (Approximate Bayesian Computation - ABC) βασισμένης σε Ακολουθιακές Μεθόδους Μόντε Κάρλο (Sequential Monte Carlo - SMC). Ο αλγόριθμος Federated ABC-SMC που αναπτύχθηκε, επιτρέπει την εκτίμηση των εκ των υστέρων κατανομών (posterior distributions) των επιδημικών παραμέτρων μέσω της σύγκρισης προσομοιωμένων δεδομένων με τα πραγματικά τοπικά δεδομένα.
Η αρχιτεκτονική του συστήματος ακολουθεί μια τοπολογία αστέρα (star topology) και διακρίνεται σε τρεις βασικές οντότητες: τον Κεντρικό Συντονιστή(Coordinator), ο οποίος διαχειρίζεται τον πληθυσμό των υποψήφιων παραμέτρων (particles) και συντονίζει τη διαδικασία συμπερασματολογίας, τους  Εργάτες Προσομοίωσης (Simulation Workers) οι οποίοι εκτελούν τον προσομοιωτή EpiSim.jl (υλοποιημένο σε γλώσσα Julia) για να παράγουν συνθετικά δεδομένα βάσει των προτεινόμενων παραμέτρων και τους  Ομοσπονδιακούς Κόμβους (Federated Sites) που αποτελούν τους τοπικούς φορείς που κατέχουν τα ευαίσθητα πραγματικά δεδομένα. Οι κόμβοι αυτοί λαμβάνουν τα αποτελέσματα της προσομοίωσης, τα συγκρίνουν τοπικά με τα δεδομένα τους και επιστρέφουν στον Συντονιστή μόνο μία κλιμακωτή τιμή σφάλματος (distance metric), προστατεύοντας έτσι την ιδιωτικότητα των ατόμων (αρχιτεκτονική "Code-to-Data").
Για την αντιμετώπιση του υψηλού υπολογιστικού κόστους των προσομοιώσεων, το σύστημα υλοποιήθηκε με χρήση του πλαισίου κατανεμημένου υπολογισμού Ray.io. Αυτό επέτρεψε την ασύγχρονη και παραλληλοποιημένη εκτέλεση χιλιάδων προσομοιώσεων, μειώνοντας δραματικά τον χρόνο εκτέλεσης (από ημέρες σε ώρες). Αναπτύχθηκε επίσης μια διεπαφή (wrapper) σε Python για τη διασύνδεση του αλγορίθμου ABC-SMC με τον προσομοιωτή EpiSim.jl.
Η εγκυρότητα του πλαισίου πιστοποιήθηκε με χρήση πραγματικών δεδομένων COVID-19 και κινητικότητας από την Ισπανία. Τα πειραματικά αποτελέσματα έδειξαν ότι o αλγόριθμος συγκλίνει με επιτυχία στις πραγματικές τιμές των παραμέτρων (ground truth), όπως ο ρυθμός μετάδοσης (β) και οι παράγοντες κοινωνικής αποστασιοποίησης.Η ακρίβεια της εκτίμησης διατηρείται υψηλή ακόμη και όταν τα δεδομένα είναι διαμοιρασμένα σε πολλαπλούς κόμβους (σενάρια 2 και 4 κόμβων). Η ιδιωτικότητα διασφαλίζεται καθώς καμία πληροφορία σε επίπεδο ατόμου ή τοπικού πληθυσμού δεν εξέρχεται από τους ομοσπονδιακούς κόμβους. Συμπερασματικά, η εργασία αυτή γεφυρώνει το χάσμα μεταξύ των προηγμένων επιδημιολογικών αλγορίθμων και των απαιτήσεων ιδιωτικότητας, προσφέροντας ένα προσαρμόσιμο και ασφαλές μοντέλο για την επιτήρηση πανδημιών σε εθνικό ή διεθνές επίπεδο.

Abstract 
The recent COVID-19 crisis highlighted the urgent need for accurate and timely epidemiological modeling.  Modern epidemiological modeling increasingly relies on high-resolution simulators, such as the Microscopic Markov Chain Approach (MMCA), which require granular mobility and health data to accurately estimate epidemic dynamics.They provide detailed  understanding for age-classified transmission and mobility information. However, it relies on the analysis of sensitive localized data. Epidemiological simulators exhibit stochastic, non-differentiable dynamics. Centralized methods can't ensure privacy, while Federated Learning algorithms  that rely on a gradient descent, are incompatible.
This thesis proposes a solution for the problem of parameter estimation of state-of-the-art epidemiological modeling in a federated setting. A central pillar of the methodology is the use of Approximate Bayesian Computation based on Sequential Monte Carlo (ABC-SMC) methods.  We introduce a variation of this algorithm (ABC-SMC) using Federated architecture to estimate the posterior distributions of epidemic parameters enabling likelihood-free inference without transferring raw data between sites. The proposed architecture employs a star-topology federated system in which local nodes execute simulations using the EpiSim.jl epidemiological simulator, while a central coordinator aggregates distance metrics to approximate posterior parameter distributions. To validate this system, we created distinct federated sites that work as client nodes by using Real-world data from Covid-19 in Spain. To address the high computational cost of simulations, the system was implemented using the Ray.io distributed computing framework. This enabled asynchronous and parallel execution of thousands of simulations, dramatically reducing execution time (from days to hours). A Python wrapper interface was also developed to connect the ABC-SMC algorithm with the EpiSim.jl simulator.
The validity of the framework was verified using real COVID-19 and mobility data from Spain. Experimental results showed that the algorithm successfully converges to the true parameter values (ground truth), such as the transmission rate and social distancing factors. Estimation accuracy remains high even when data are distributed across multiple nodes (2-site and 4-site scenarios). Privacy is preserved, as no individual-level or local population information leaves the federated sites. In conclusion, this work bridges the gap between advanced epidemiological algorithms and privacy requirements, offering an adaptable and secure model for pandemic surveillance at national or international scale. The results show that the Federated ABC-SMC algorithm successfully recovers our observed data without the raw data being shared. This work connects the known algorithms used for epidemiological modeling and the safety, regarding privacy, of a federated environment. 

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Μαρίας Βλαχάκου

με θέμα
Τμηματοποίηση Κάλυψης Εδάφους Εικόνων Υψηλής Ανάλυσης με χρήση Βαθιάς Μάθησης
Land Cover Segmentation of High-Resolution Images using Deep Learning

Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
Καθηγητής Ευριπίδης Πετράκης
Καθηγητής Ανδρέας Σαβάκης (Σχολή ΗΜΜΥ, RIT)

Περίληψη
Οι τηλεπισκοπικές εικόνες υψηλής χωρικής ανάλυσης χρησιμοποιούνται ευρέως για τη χαρτογράφηση κάλυψης γης και βρίσκουν εφαρμογή σε τομείς όπως ο πολεοδομικός σχεδιασμός, η περιβαλλοντική παρακολούθηση, η γεωργία και η διαχείριση φυσικών καταστροφών. Τα τελευταία χρόνια, η διαθεσιμότητα αεροφωτογραφιών και δορυφορικών εικόνων πολύ υψηλής ανάλυσης έχει αυξηθεί σημαντικά. Παρά την τεχνολογική πρόοδο, η ακριβής ταξινόμηση κάλυψης γης παραμένει απαιτητική, λόγω της μεγάλης χωρικής ετερογένειας, της φασματικής ομοιότητας μεταξύ διαφορετικών κατηγοριών, της έντονης ανισορροπίας κλάσεων και των πολύπλοκων ορίων αντικειμένων, ιδιαίτερα σε αστικές και μικτές περιοχές. Τα παραδοσιακά pixel-based και object-based μοντέλα συχνά δυσκολεύονται να ανταποκριθούν σε αυτές τις προκλήσεις.
Η παρούσα εργασία διερευνά τη χρήση μεθόδων βαθιάς μάθησης για την ταξινόμηση κάλυψης γης σε αεροφωτογραφίες υψηλής ανάλυσης, με έμφαση στη σημασιολογική τμηματοποίηση (semantic segmentation) μέσω αρχιτεκτονικής encoder–decoder. Το προτεινόμενο μοντέλο συνδυάζει ένα βαθύ residual δίκτυο ως encoder με έναν decoder τύπου U-Net, επιτρέποντας την ταυτόχρονη αξιοποίηση σημασιολογικής πληροφορίας πολλαπλών κλιμάκων και τη διατήρηση λεπτομερειών στο χώρο. 
Τα πειράματα πραγματοποιήθηκαν στο σύνολο δεδομένων LandCover.ai, το οποίο περιλαμβάνει αεροφωτογραφίες RGB υψηλής ανάλυσης. Αν και το αρχικό σύνολο δεδομένων περιλαμβάνει πέντε κατηγορίες (background, building, woodland, water και roads), στην παρούσα εργασία χρησιμοποιήθηκε μια αναδιαμορφωμένη εκδοχή τριών κατηγοριών. Συγκεκριμένα, οι κατηγορίες building και roads συγχωνεύθηκαν με την κατηγορία background, προκειμένου να αντιμετωπιστεί η έντονη ανισορροπία κλάσεων και η χαμηλή απόδοση που παρατηρήθηκε σε κατηγορίες με μικρή χωρική εκπροσώπηση και υψηλή δομική πολυπλοκότητα.
Για τη βελτίωση της εκπαίδευσης χρησιμοποιήθηκε συνδυαστική συνάρτηση απώλειας (Focal loss και Dice loss), καθώς και τεχνικές εμπλουτισμού δεδομένων και στρατηγική One-Cycle Learning Rate. Τα αποτελέσματα δείχνουν σταθερή και συνεπή απόδοση τόσο στο σύνολο επικύρωσης (validation set) όσο και στο σύνολο δοκιμής (test set), με μέση τιμή Intersection over Union (IoU) περίπου 87% στη διαμόρφωση τριών κατηγοριών. Υψηλή ακρίβεια παρατηρείται για τις κατηγορίες background, woodland και water.
Συνολικά, τα ευρήματα επιβεβαιώνουν ότι οι αρχιτεκτονικές encoder–decoder αποτελούν μια αξιόπιστη λύση για την ταξινόμηση κάλυψης γης σε εικόνες υψηλής ανάλυσης, ενώ παράλληλα αναδεικνύουν τη σημασία της ισορροπίας κλάσεων και της σωστής διαμόρφωσης του προβλήματος στη συνολική απόδοση του μοντέλου.

Abstract 
High-resolution remote sensing imagery is widely used for land cover mapping and has found application in several fields, such as urban planning, environmental monitoring, agriculture, and disaster management. Over the last years, the availability of very-high-resolution aerial and satellite images has increased considerably. Nevertheless, accurate land cover classification remains a difficult problem. This is mainly due to the high spatial variability of the scene, similarities in spectral characteristics between different land cover types, strong class imbalance, and the presence of complex object boundaries. These issues are particularly met in urban and heterogeneous areas. For these reasons, traditional pixel-based and object-based classification methods often fail to provide satisfactory results.
This thesis investigates the use of deep learning methods for land cover classification in high-resolution aerial imagery, with a specific focus on semantic segmentation approaches based on encoder–decoder architectures. The adopted model consists of a deep residual network used as an encoder and a decoder inspired by the U-Net architecture. This design allows the extraction of semantic information at different spatial scales, while still preserving local spatial details that are important for accurate segmentation. The experiments are conducted on the LandCover.ai dataset, which is a publicly available dataset of high-resolution RGB aerial images. The dataset includes five land cover classes, namely background, building, woodland, water and roads, but a reduced three-class configuration is adopted in this study. Specifically, the building and road categories are merged with the background class to mitigate severe class imbalance, relatively small spatial extent, structural complexity, and their uneven distribution in the dataset. In order to improve the segmentation of object boundaries, a combined loss function based on Focal loss and Dice loss is employed. Additionally, data augmentation techniques and a one-cycle learning rate scheduling strategy are applied during training.
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 approximately 87% under the reduced three-class configuration. High segmentation accuracy is observed for background, woodland and water classes. Both quantitative results and visual inspection of the segmentation outputs indicate that the encoder–decoder architecture is able to capture global contextual information as well as local spatial characteristics. Overall, the findings confirm that deep encoder–decoder models provide a reliable solution for high-resolution land cover classification, while also indicating the importance of class distribution considerations in semantic segmentation performance evaluation. At the same time, the results highlight the need for further investigation on issues related to scalability, transferability, and domain adaptation in practical remote sensing applications.
 
Meeting ID: 999 2049 3813
Password: 506928

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Χρυσηίδας Μανουδάκη

με θέμα
Αυτοματοποίηση Εξαγωγής Πληροφορίας από Emails με χρήση Μεγάλων Γλωσσικών Μοντέλων
Automating Information Extraction from Emails using Large Language Models

Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Γ. Λαγουδάκης (Σχολή ΗΜΜΥ, Επιβλέπων)
Καθηγητής Θρασύβουλος Σπυρόπουλος (Σχολή ΗΜΜΥ)
Δρ. Βασίλειος Διακολουκάς (Σχολή ΗΜΜΥ)

Περίληψη
Στον επιχειρηματικό κόσμο, η διαχείριση μεγάλων όγκων αδόμητων δεδομένων, ειδικά στις επικοινωνίες μέσω ηλεκτρονικού ταχυδρομείου, επηρεάζει σημαντικά την αποδοτικότητα στην ανάκτηση πληροφοριών. Στην παρούσα διπλωματική εργασία, σχεδιάζουμε και υλοποιούμε ένα ισχυρό σύστημα για την επεξεργασία και την εξαγωγή δομημένων δεδομένων από πολύγλωσσα νήματα ηλεκτρονικού ταχυδρομείου στον τομέα της εφοδιαστικής αλυσίδας και των μεταφορών, χρησιμοποιώντας Μεγάλα Γλωσσικά Μοντέλα (LLMs). Η ερευνητική μεθοδολογία είναι δομημένη σε τρεις φάσεις: την προεπεξεργασία δεδομένων, την αρχιτεκτονική ανάκτησης πληροφοριών και την ενσωμάτωση συστήματος πρακτόρων. Αρχικά, αναπτύσσεται μια ροή προεπεξεργασίας για τη διαχείριση ενθόρυβων δεδομένων. Αυτή η ροή χρησιμοποιεί Κανονικές Εκφράσεις (Regular Expressions) και εκκαθάριση βασισμένη σε LLM για τη μετάφραση του περιεχομένου στα Αγγλικά, την κατάτμηση των νημάτων και την αφαίρεση άσχετων μεταδεδομένων. Στη συνέχεια, πραγματοποιείται σημασιολογική απαλοιφή διπλότυπων (semantic deduplication) με χρήση διανυσματικών βάσεων δεδομένων. Παράλληλα, εξετάζονται αποδοτικές στρατηγικές συμπερασμού, ώστε να διασφαλιστεί η χαμηλή καθυστέρηση που απαιτούν οι εφαρμογές πραγματικού χρόνου. Η δεύτερη φάση της εργασίας περιλαμβάνει τη διερεύνηση και σύγκριση τριών συστημάτων Retrieval-Augmented Generation (RAG): ένα βασικό RAG που χρησιμοποιεί διανυσματικές βάσεις δεδομένων, μια προσέγγιση GraphRAG που αξιοποιεί γράφους γνώσης (Knowledge Graphs) για τη χαρτογράφηση σύνθετων σχέσεων μεταξύ οντοτήτων, και την πλατφόρμα LightRAG, η οποία χρησιμοποιεί ένα μοντέλο ανάκτησης πληροφορίας δύο επιπέδων. Τέλος, αυτά τα στοιχεία ενσωματώνονται σε μια εποπτική πολυ-πρακτορική αρχιτεκτονική (supervisor multi-agent architecture), η οποία είναι προσβάσιμη μέσω μιας φιλικής προς τον χρήστη διεπαφής chatbot. Ο επόπτης ενορχηστρώνει εξειδικευμένους πράκτορες που εκτελούν την προεπεξεργασία, τη διαχείριση του γραφήματος και την επίλυση σύνθετων ερωτημάτων, προκειμένου να ικανοποιήσουν αιτήματα σε φυσική γλώσσα. Τα αποτελέσματά μας δείχνουν ότι στις περισσότερες περιπτώσεις το προτεινόμενο σύστημα ήταν σε θέση να καταγράψει τα βασικά σημεία των επικοινωνιών μέσω ηλεκτρονικού ταχυδρομείου και να δημιουργήσει ουσιαστικές απαντήσεις σε μια σειρά ερωτήσεων. Συνολικά, η παρούσα εργασία παρουσιάζει ένα επεκτάσιμο και αξιόπιστο σύστημα που συνδυάζει γραφήματα γνώσης και πράκτορες με ικανότητα συλλογισμού για τη βελτίωση της ακρίβειας και της αξιοπιστίας κατά την εξαγωγή σύνθετων λογιστικών δεδομένων από μη δομημένο κείμενο.

Abstract
In the corporate world, managing large volumes of unstructured data, especially in email communications, significantly impacts efficiency in information retrieval. In this diploma thesis, we design and implement a robust system for processing and extracting structured data from multilingual email threads within the logistics and transportation domain using Large Language Models (LLMs). The research methodology is structured around three phases: data preprocessing, information retrieval architecture, and agentic system integration. First, a preprocessing pipeline is developed to handle noisy data. This pipeline uses Regular Expressions and LLM-based cleansing to translate content to English, segment threads, and remove irrelevant metadata. Then, semantic deduplication is performed using vector databases. Concurrently, efficient inference strategies are examined to ensure low latency required by real-time applications. The second phase of the thesis involves investigating and comparing three Retrieval-Augmented Generation (RAG) workflows: a baseline RAG using vector databases; a GraphRAG approach that leverages knowledge graphs (KGs) to map complex entity relationships; and the LightRAG framework, which employs a dual-level retrieval paradigm. Finally, these components are integrated into a supervisor multi-agent architecture, which is accessible via a user-friendly chatbot interface. The supervisor orchestrates specialized agents that perform preprocessing, graph management, and complex query resolutions to fulfill natural language requests. Our results indicate that in most cases the proposed system was able to capture the core points of the email communications and generate meaningful replies to a range of queries. Overall, this thesis presents a scalable and reliable framework that combines knowledge graphs and agent reasoning to improve the accuracy and reliability of extracting complex logistics data from unstructured text.

Meeting ID: 94442725167  
Password: 874634

🎯 Virtual Career Day με την εταιρεία KPMG  

"Find opportunity everywhere with KPMG"          

📅 Τετάρτη 25 Φεβρουαρίου 2026,  ⏰ώρα 13:00 Διαδικτυακά μέσω zoom

Facebook Event

Η εκδήλωση απευθύνεται κυρίως σε φοιτητές και αποφοίτους του Πολυτεχνείου Κρήτης, καθώς και σε φοιτητές μεταπτυχιακών προγραμμάτων σπουδών που επιθυμούν να αναπτύξουν τις εργασιακές τους δεξιότητες και να ενημερωθούν για σύγχρονες ευκαιρίες στην αγορά εργασίας.

Οι συμμετέχοντες θα γνωρίσουν την KPMG, τις προοπτικές καριέρας, ενώ θα ενημερωθούν για:

• Την επαγγελματική πορεία ενός Μηχανικού στον ρόλο του Συμβούλου Επιχειρήσεων.
• Tις σύγχρονες τάσεις και εξελίξεις στην αγορά εργασίας.
• Τις διαθέσιμες ευκαιρίες καριέρας και τις δεξιότητες που κάνουν τη διαφορά.
• Συμβουλές για βιογραφικό σημείωμα, το LinkedIn profile και για μια επιτυχημένη συνέντευξη.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Νικολάου Χατζηδήμου

με θέμα
Συντονισμός Σμήνους Drones για Εντοπισμό και Παρακολούθηση Δυναμικών Περιβαλλοντικών Φαινομένων
Drone Swarm Coordination for Detection and Monitoring of Dynamic Environmental Phenomena

Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Γ. Λαγουδάκης (Σχολή ΗΜΜΥ, Επιβλέπων)
Καθηγητής Θρασύβουλος Σπυρόπουλος (Σχολή ΗΜΜΥ)
Καθηγητής Παναγιώτης Παρτσινέβελος (Σχολή ΜΗΧΟΠ)

Περίληψη
Οι δυναμικοί περιβαλλοντικοί κίνδυνοι αποτελούν μία κρίσιμη πρόκληση για τη διαχείριση καταστροφών, λόγω της ταχέως εξελισσόμενης έντασής τους και των απρόβλεπτων ορίων τους. Οι δασικές πυρκαγιές αποτελούν το κύριο πεδίο εφαρμογής της παρούσας μελέτης και επιλέχθηκαν λόγω των χωρικά περίπλοκων περιμέτρων τους, αλλά και επειδή το μέτωπο διάδοσης της πυρκαγιάς λειτουργεί ως δυναμικό εμπόδιο που επιβάλλει γεωμετρικούς περιορισμούς πραγματικού χρόνου στην περιοχή παρακολούθησης. Τα συμβατικά συστήματα παρακολούθησης, όπως οι δορυφόροι ή τα μεμονωμένα μη επανδρωμένα αεροσκάφη (UAVs), συχνά στερούνται της χωροχρονικής ανάλυσης που απαιτείται για τη συνεχή επίγνωση της κατάστασης σε αυτά τα πολύπλοκα περιβάλλοντα. Για την αντιμετώπιση αυτού του περιορισμού, η παρούσα διπλωματική εργασία προτείνει μια Ιεραρχική Αρχιτεκτονική Σμήνους Drones, η οποία εφαρμόζει μια υβριδική στρατηγική ελέγχου, συνδυάζοντας αποτελεσματικά τον κεντρικό σχεδιασμό υψηλού επιπέδου με αποκεντρωμένες reactive συμπεριφορές. Στο πλαίσιο ενός περιβάλλοντος προσομοίωσης πλέγματος, βασισμένο σε Stochastic Cellular Automata για τη διάδοση της πυρκαγιάς, το σύστημα χρησιμοποιεί έναν κεντρικό leader agent για τη δημιουργία των αρχικών διαδρομών και τη βελτιστοποίηση της κατανομής πόρων για τα subordinate drones του σμήνους. Παράλληλα, οι subordinate agents πλοηγούνται βάσει των αρχικών διαδρομών σε ένα περιβάλλον με εμπόδια, με στόχο τον εντοπισμό των εστιών της πυρκαγιάς και εκτελούν μια αποκεντρωμένη λογική παρακολούθησης, όταν ανατίθενται σε μία περίμετρο φωτιάς, διατηρώντας επιτήρηση από κοντινή απόσταση. Αυτή η αρχιτεκτονική αξιολογείται συγκριτικά με δύο βασικές διαμορφώσεις ως σημεία αναφοράς: ένα στοχαστικό random walk (που αντιπροσωπεύει μία αμιγώς αντιδραστική αναζήτηση) και μία συστηματική σάρωση (που αντιπροσωπεύει μία εξαντλητική αναζήτηση). Τα πειραματικά αποτελέσματα που διεξήχθησαν σε διάφορα μεγέθη σμήνους, μεγέθη περιβάλλοντος και αρχικό αριθμό σημείων ανάφλεξης, επιδεικνύουν ότι το προτεινόμενο ιεραρχικό σμήνος εξισορροπεί επιτυχώς την ταχύτητα διεκπεραίωσης της αποστολής με την εξοικονόμηση πόρων. Στη φάση του εντοπισμού, το σύστημα προσφέρει καλύτερη ενεργειακή απόδοση σε σύγκριση με τις μεθόδους εξαντλητικής αναζήτησης, ενώ στη φάση της παρακολούθησης επιτυγχάνει υψηλά ποσοστά κάλυψης της πυρκαγιάς. Επιπλέον, η ανάλυση επεκτασιμότητας του συστήματος επιβεβαιώνει ότι, διατηρώντας σταθερή την πυκνότητα των πρακτόρων στην περιοχή επιχείρησης, η προτεινόμενη αρχιτεκτονική μετριάζει αποτελεσματικά την πολυπλοκότητα των μεγαλύτερων περιβαλλόντων, διατηρώντας γρήγορους χρόνους εντοπισμού των σημείων πυρκαγιάς και υψηλής ποιότητας κάλυψη παρακολούθησής τους, ακόμη και όταν επεκτείνεται η περιοχή ενδιαφέροντος.

Abstract
Dynamic environmental hazards present a critical challenge for disaster management due to their rapidly evolving intensity and unpredictable boundaries. Wildfires serve as the primary use case for this study, selected for their spatially complex perimeters and because the propagating fire front acts as a dynamic obstacle that imposes real-time geometric constraints on the monitoring area. Conventional monitoring systems, such as satellites or single UAVs, often lack the spatiotemporal resolution required for persistent situational awareness in these complex settings. To address this limitation, this diploma thesis proposes a Hierarchical Drone Swarm Architecture that employs a hybrid control strategy, effectively combining centralized high-level planning with decentralized reactive behaviors. Within a grid-based simulation framework based on Stochastic Cellular Automata for simulating fire propagation, the system utilizes a centralized leader agent to generate the initial paths and optimize the resource allocation for the subordinate drones of the swarm. Simultaneously, the subordinate agents navigate based on the initial paths in the obstacle environment to detect the fire spots and execute a decentralized tracking logic, when they are assigned to a fire perimeter, maintaining close-range surveillance. This architecture is evaluated against two baseline configurations: a stochastic random walk (representing purely reactive search) and a systematic sweep (representing exhaustive search). Experimental results across varying swarm sizes, environmental scales, and initial fire ignition points demonstrate that the proposed hierarchical swarm successfully balances mission speed with resource conservation. In the detection phase, the system delivers superior energy efficiency compared to exhaustive search methods, while in the monitoring phase it achieves high fire-tracking coverage. Furthermore, scalability analysis confirms that by maintaining a constant agent density in the operational area, the proposed architecture effectively mitigates the complexity of larger environments, sustaining rapid detection times and high-quality monitoring coverage even as the region of interest expands.

Meeting ID: 95875350571
Password: 869224

Modern power systems increasingly require coordinated decision-making across power generation, transmission, and flexible demand resources to ensure reliable grid operations under uncertainty. This presentation discusses optimization and modeling frameworks that enable the joint consideration of planning and operational decisions in power and multi-energy systems, with particular emphasis on transmission expansion, energy storage, and demand-side flexibility. At the operational level, the presentation highlights coordinated optimization approaches that capture interactions between power networks and other infrastructures, such as water systems, enabling flexible resources to be scheduled alongside conventional grid assets. At the planning level, transmission and resource expansion models are used to illustrate trade-offs between network reinforcement and operational reliability under stressed system conditions. The presentation also introduces quantitative reliability and resilience metrics that link system performance, disruption, and recovery within a consistent analytical framework. Together, these elements demonstrate how integrated modeling approaches can support robust and computationally tractable decision-making for power system planning and operations in increasingly complex and interdependent energy systems.

About the Speaker

Dr. Konstantinos Oikonomou is a Senior Power Systems Research Engineer at Pacific Northwest National Laboratory (PNNL). His research focuses on power system operations, resilience, and optimization, with particular emphasis on energy–water interdependencies, hydropower and energy storage modeling, electricity market design, and decarbonized power system planning. At PNNL, he has led multiple U.S. Department of Energy–funded projects, including national-scale production cost modeling, energy resilience analysis, and transmission planning studies. He serves as Chair of the IEEE Water–Energy Nexus Task Force, coordinating a global community of over 200 registered members across academia, national laboratories, and industry. He holds a Ph.D. in Electrical Engineering from the University of Utah and has published extensively in leading peer-reviewed journals.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Λαμπριανής Τσάπανου 

με θέμα
Ενσωμάτωση Διαφορικών Δικτύων Συν-έκφρασης και Δικτύων Αλληλεπίδρασης Πρωτεϊνών για τη Μελέτη Πρόδρομων Βλαβών στον Καρκίνο του Παγκρέατος
Integration of Differential Co-Expression and Protein-Protein Interaction Networks to Study Precursor Lesions in Pancreatic Cancer

Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
Καθηγητής Διονύσιος Χριστόπουλος
Ομότιμος Καθηγητής Απόστολος Δόλλας

Περίληψη
Ο καρκίνος του παγκρέατος αποτελεί μία από τις πλέον επιθετικές μορφές καρκίνου, με εξαιρετικά χαμηλά ποσοστά επιβίωσης, κυρίως λόγω της απουσίας πρώιμης συμπτωματολογίας και της έλλειψης αξιόπιστων μεθόδων έγκαιρης διάγνωσης. Ιδιαίτερο ενδιαφέρον παρουσιάζουν οι πρόδρομες βλάβες του παγκρέατος, όπως οι PanIN αλλοιώσεις, οι οποίες προηγούνται της εμφάνισης του διηθητικού παγκρεατικού αδενοκαρκινώματος και μπορούν να προσφέρουν κρίσιμες πληροφορίες για την πρόληψη και την πρώιμη ανίχνευση της νόσου.
Στην παρούσα διπλωματική εργασία πραγματοποιείται η ενσωμάτωση διαφορικών δικτύων συνέκφρασης γονιδίων και δικτύων πρωτεϊνικών αλληλεπιδράσεων με στόχο τη μελέτη των μοριακών μεταβολών που λαμβάνουν χώρα κατά τη μετάβαση και διαφοροποίηση μεταξύ των διαφορετικών κλινικών καταστάσεων. Με αφετηρία ένα σύνολο 67 γονιδίων με σημαντική διαφορική έκφραση που συνδέει την εμβρυογένεση με διηθητικό παγκρεατικό αδενοκαρκίνωμα αναλύθηκαν δεδομένα γονιδιακής έκφρασης από υγιή, προκαρκινικά και καρκινικά δείγματα ανθρώπου. Μέσω στατιστικής ανάλυσης διαφορικής συσχέτισης και εφαρμογής μεθόδων θεωρίας γράφων, κατασκευάστηκαν δίκτυα διαφορικής συνέκφρασης και εξήχθησαν υποδίκτυα με αυξημένη τοπολογική και βιολογική σημασία.
Η αξιολόγηση των προτεινόμενων δικτύων πραγματοποιήθηκε μέσω τοπολογικής ανάλυσης και σύγκρισης με καθιερωμένα δίκτυα λειτουργικών αλληλεπιδράσεων από τη βάση δεδομένων STRING, επιτρέποντας τον εντοπισμό κοινών αλλά και νέων αλληλεπιδράσεων. Τα αποτελέσματα αναδεικνύουν κρίσιμους κόμβους και υποδίκτυα που διαφοροποιούνται μεταξύ υγιούς, προκαρκινικής και καρκινικής κατάστασης και σχετίζονται με γνωστά βιολογικά μονοπάτια της παγκρεατικής καρκινογένεσης.
Η εργασία, μέσα από τη μελέτη των δικτύων και υποδικτύων διαφορικής συνέκφρασης συμβάλει στην ανάδειξη κομβικών μορίων που διαδραματίζουν σημαντικό ρόλο στη μετάβαση από την υγιή στην προκαρκινική και καρκινική κατάσταση. Κατά συνέπεια, η συγκεκριμένη μελέτη καταδεικνύει την ανάλυση δικτύων διαφορικής συνέκφρασης ως εργαλείο ανάδειξης υποψήφιων βιοδεικτών για την έγκαιρη ανίχνευση του διηθητικού παγκρεατικού αδενοκαρκινώματος και τη χρήση τους ως πιθανών θεραπευτικών στόχων.

Abstract 
Pancreatic cancer is one of the most aggressive forms of cancer, characterized by extremely low survival rates, mainly due to the absence of early symptoms and the lack of reliable methods for early diagnosis. Of particular interest are pancreatic precursor lesions, such as PanINs, which precede the development of invasive pancreatic ductal adenocarcinoma and can provide critical information for disease prevention and early detection.
In this Master’s thesis, an integrative analysis of differential gene co-expression networks and protein–protein interaction networks, is performed in order to investigate the molecular alterations that occur during the transition and differentiation between different clinical states of pancreatic tissue. Starting from a set of 67 genes with significant differential expression linking embryogenesis to invasive pancreatic ductal adenocarcinoma, gene expression data from healthy, precancerous, and cancerous human samples were analyzed. Through statistical differential correlation analysis and the application of graph theory–based methods, differential co-expression networks were constructed and biologically meaningful subnetworks were identified.
The proposed networks were evaluated through topological analysis and comparison with established functional interaction networks from the STRING database, enabling the identification of both shared and novel interactions. The results highlight key nodes and subnetworks that differ among healthy, precancerous, and cancerous states and are associated with known biological pathways involved in pancreatic carcinogenesis.
Through the study of differential co-expression networks and subnetworks, this work contributes to the identification of key molecules that play an important role in the transition from healthy to precancerous and cancerous states. Consequently, the present study demonstrates that differential co-expression network analysis can serve as a powerful tool for the identification of candidate biomarkers for the early detection of invasive pancreatic ductal adenocarcinoma and their potential use as therapeutic targets.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ιωάννη Προεστάκη

με θέμα

Συγκριτική Αξιολόγηση Μεθόδων Ελέγχου της Παραγωγής Ισχύος Φωτοβολταϊκών Συστημάτων
Comparative Evaluation of Power Production Control Methods of Photovoltaic Systems

Εξεταστική Επιτροπή
Καθηγητής Ευτύχιος Κουτρούλης (επιβλέπων)
Καθηγητής Κωνσταντίνος Γυφτάκης
Επίκουρος Καθηγητής Γεώργιος Πέππας

Περίληψη
Όσο η διείσδυση των φωτοβολταϊκών συστημάτων στο δίκτυο ηλεκτρικής ενέργειας αυξάνεται τόσο περισσότερα ζητήματα ασφαλείας προκύπτουν. Για να διατηρηθούν η ποιότητα και η αξιοπιστία του δικτύου από τους διαχειριστές απαιτούνται προηγμένες τεχνικές βελτιστοποίησης πέραν των κλασικών MPPT (Maximum Power Point Tracking) τεχνικών. 
Στην παρούσα διπλωματική εργασία μελετώνται και συγκρίνονται αλγόριθμοι FPPT (Flexible Power Point Tracking), οι οποίοι επεκτείνουν την λειτουργικότητα των MPPT, με σκοπό να ελέγχεται η ισχύς του φωτοβολταϊκού συστήματος σε προκαθορισμένα επίπεδα με βάση κανονισμούς και συνθήκες λειτουργίας του δικτύου, καθιστώντας τα φιλικά προς το ηλεκτρικό δίκτυο ηλεκτρικής ενέργειας και προσφέροντας επιπλέον βοηθητικές λειτουργίες προς αυτό.
Η τοπολογία που εξετάζεται είναι διπλού σταδίου-μονής φάσης (single-phase two-stage Grid Connected Photovoltaic Power Plant), η οποία αποτελείται από το στάδιο ανύψωσης τάσης (DC-DC Boost Converter) και το στάδιο του αντιστροφέα (DC-AC inverter). Στο πρώτο στάδιο εφαρμόζονται οι αλγόριθμοι FPPT, ενώ το δεύτερο εξασφαλίζει συγχρονισμό με το ηλεκτρικό δίκτυο και την τήρηση της ποιότητας της ισχύος προς αυτό.
Οι τέσσερις αλγόριθμοι FPPT, οι οποίοι δοκιμάζονται σε εναλλακτικά σενάρια λειτουργίας είναι οι εξής: ο γενικός αλγόριθμος ευέλικτης ισχύος, ο ευέλικτος αλγόριθμος δύο καταστάσεων, ο αλγόριθμος ευέλικτης ισχύος προσαρμοσμένου βήματος και τέλος ο δυαδικός αλγόριθμος ευέλικτης ισχύος.
Η αξιολόγηση γίνεται με βάση τα εξής κριτήρια: χρόνος αποκατάστασης και σφάλμα σε κατάσταση ισορροπίας υπό δυναμικές αλλαγές ακτινοβολίας/θερμοκρασίας και ικανότητα παρακολούθησης της επιβαλλόμενης ισχύς.
Τα αποτελέσματα των προσομοιώσεων επιτρέπουν την κατάταξη των τεσσάρων αλγορίθμων ευέλικτης ισχύος με βάση τις επιδόσεις τους. Πιο συγκεκριμένα, τις καλύτερες αποδόσεις τις παρουσιάζουν ο προσαρμοζόμενος αλγόριθμος μαζί με τον γενικό, ακολουθούμενοι από τον αλγόριθμο δύο καταστάσεων και έπειτα τον δυαδικό αλγόριθμο ευέλικτης ισχύος. Ωστόσο, λαμβάνοντας υπόψη και την πολυπλοκότητα υλοποίησης, υπερτερεί ο γενικός αλγόριθμος.

Abstract 
As the penetration of photovoltaic systems into the electrical power grid increases, a growing number of safety and stability issues arise. In order to maintain power quality and reliability, system operators are required to adopt advanced optimization techniques beyond the conventional MPPT (Maximum Power Point Tracking) methods.
In this diploma thesis, FPPT (Flexible Power Point Tracking) algorithms are studied and compared. These algorithms extend the functionality of traditional MPPT techniques by enabling control of the photovoltaic system power at predefined levels, in accordance with grid regulations and operating conditions. In this way, the photovoltaic systems become more grid-friendly while also providing additional ancillary services to the electrical grid.
The examined topology is a single-phase, two-stage grid-connected photovoltaic power plant. It consists of a voltage boost stage (DC–DC Boost Converter) and an inverter stage (DC–AC inverter). The FPPT algorithms are implemented at the first stage, while the second stage ensures synchronization with the electrical grid and compliance with power quality requirements.
The four FPPT algorithms evaluated under various operating scenarios are: the general flexible power algorithm, the two-mode flexible power algorithm, the adaptive-step flexible power algorithm, and the binary-based flexible power algorithm.
The evaluation is carried out based on the following criteria: settling time and steady-state error under dynamic irradiance and temperature changes, as well as the ability to accurately track the imposed power reference.
The simulation results allow the classification of the four flexible power tracking algorithms based on their performance. Specifically, the adaptive algorithm together with the general algorithm exhibit the best performance, followed by the two-mode algorithm and finally the binary flexible power tracking algorithm. However, also considering the implementation complexity, the general algorithm is superior.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Παναγιώτη Γεωργακόπουλου – Παλτίδη

με θέμα

Υβριδικά Argo Workflows με Kubernetes και Slurm
Hybrid Argo Workflows with Kubernetes and Slurm

Εξεταστική Επιτροπή

Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς (επιβλέπων)
Καθηγητής Αντώνιος Δεληγιαννάκης
Επίκουρος Καθηγητής Νικόλαος Γιατράκος

Περίληψη
Υπάρχει αυξανόμενο ενδιαφέρον για την ενσωμάτωση παραδοσιακών διαχειριστών φόρτου εργασίας HPC (Slurm) και cloud native orchestrators (Kubernetes) με στόχο την βελτιστοποιημένη αξιοποίηση πόρων σε φόρτους εργασίας που μπορούν να επωφεληθούν και από τις δύο αρχιτεκτονικές. Αυτό είναι ιδιαίτερα αληθές σε πιο σύνθετες ροές επεξεργασίας δεδομένων που επιθυμούν να ενσωματώσουν τόσο βήματα cloud-native όσο και HPC στην ίδια ροή εργασίας, όπως στις ροές εργασίας ML (inference), βιοπληροφορική, ανάλυση δεδομένων, MPI και σε περιπτώσεις όπου ο HPC Cluster διαθέτει περιορισμένο αποθηκευτικό χώρο και θέλουμε να εκτελέσουμε κάποια μορφή προεπεξεργασίας δεδομένων. Αυτή η διπλωματική 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 κάθε συστήματος χωρίς δυσκολίες. Το σύστημα χρησιμοποιεί ένα Argo workflow template που ζει στο Kubernetes cluster για να υποβάλει εργασίες στο Slurm μέσω SSH, διαχειρίζεται τη μεταφορά δεδομένων μεταξύ τους (S3 Storage) και δρομολογεί τις δουλειές με μια προεπιλεγμένη πολιτική προγραμματισμού βασισμένη στις εξαρτήσεις των βημάτων της ροής εργασίας. Επιπλέον, το εργαλείο παρέχει δυνατότητες επέκτασης, επιτρέποντας στον χρήστη να ορίσει τον δικό του προσαρμοσμένο δρομολογητή που λειτουργεί πάνω από τον προεγκατεστημένο δρομολογητή του Slurm.

Abstract 
There is a growing interest in integrating traditional HPC workload managers (Slurm) and cloud native orchestrators (Kubernetes) in order to achieve optimized resource utilization in workloads that can benefit from both architectures. This is especially true in higher level data processing pipelines that want to integrate both Cloud-native and HPC steps into the same workflow such as in ML pipelines (inference), bioinformatics, data analysis, large-scale MPI workloads and in use cases where the HPC Cluster has limited storage and we want to execute some form of data pre-processing. This Master’s thesis presents a tool that can translate a high-level descriptive language for hybrid Kubernetes and Slurm workflows into an Argo Workflow allowing us to leverage each system’s strengths seamlessly. The system uses an Argo workflow template that lives in the Kubernetes cluster to submit jobs to Slurm through SSH and handles the data transfer between them (S3 Storage) and job prioritization with a default scheduling policy based on the dependencies of the workflow steps. Additionally, the tool provides extensibility by allowing the user to define his own custom scheduler working on top of the pre-existing Slurm batch job scheduler.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ραφαήλ Χατζηπαντελή

με θέμα
Έρευνα σε Εκπαιδεύσιμα Νευρομορφικά Ολοκληρωμένα Κυκλώματα Χαμηλής Ισχύος
Research towards Low Power Trainable Neuromorphic Integrated Circuits

Εξεταστική Επιτροπή
Καθηγητής Ματτίας Μπούχερ (επιβλέπων)
Αναπληρωτής Καθηγητής Ευάγγελος Καλογεράκης
Δρ Κωνσταντίνος Βρυσσάς (ΑΡΓΩ ΗΜΙΑΓΩΓΟΙ Α.Ε.)

Περίληψη
Στην σύγχρονη εποχή, ο αριθμός των εφαρμογών που ενσωματώνουν την Τεχνητή Νοημοσύνη (ΤΝ) αυξάνεται ραγδαία. Η ταχύτατη αυτή αύξηση έχει οδηγήσει στην ιλιγγιώδης ζήτηση ικανότερου και περίπλοκου υλικού λογισμικού καθώς και ενεργειακών υποδομών. Τα Νευρωνικά Δίκτυα (ΝΔ) αποτελούν την πλέον υιοθετημένη μορφή Τεχνητής Νοημοσύνης, υποσχόμενα εξαιρετικές ικανότητες μοντελοποίησης και επίδοσης, παραμένοντας όμως υπολογιστικά απαιτητικά. Για την αντιμετώπιση αυτών των ζητημάτων, ερευνώνται διαφορετικοί τύποι ενεργειακά αποδοτικότερων Νευρωνικών Δικτύων, όπως τα Αναλογικά Νευρωνικά Δίκτυα και τα Νευρομορφικά συστήματα. Τα Νευρομορφικά Δίκτυα συνιστούν μία μορφή ΝΔ, υλοποιημένα σε επίπεδο υλικού εξοπλισμού, όπου τα δεδομένα κωδικοποιούνται απευθείας μέσα σε κυκλώματα, αναπαριστώμενα μέσω φυσικών μεγεθών όπως η τάση, το ρεύμα και η αγωγιμότητα. Στην παρούσα εργασία, ερευνήθηκε μία αναλογική υλοποίηση ενός ΝΔ με ένα μοναδικό κρυφό επίπεδο σε τεχνολογία 22nm 0.8V FDSOI, προσαρμόζοντας την σχεδίαση της προηγουμένως προτεινόμενης Εκπαιδεύσιμης Αναλογικής Μονάδας (ΕΑΜ), αρχικά σχεδιασμένη σε τεχνολογία 65nm bulk CMOS. Για την ανάπτυξη του δικτύου κρίθηκε απαραίτητη η προσαρμογή κυκλωμάτων καθρεπτών ρευμάτων, δικτύων M-2M, D/A μετατροπέων και τελεστικών ενισχυτών, με ορισμένες υλοποιήσεις να μην εμφανίζονται στην βιβλιογραφία για την FDSOI τεχνολογία. Η προτεινόμενη προσέγγιση επιτυγχάνει μέγιστη κατανάλωση 240nW ανά νευρώνα και μονάδας βάρους-εξόδου, διατηρώντας σταθερή απόδοση και υψηλή ακρίβεια πρόβλεψης.

Abstract
In today's world, the number of applications incorporating Artificial Intelligence (AI) is ever increasing. This rapid expansion of AI has led to the blistering demands of faster, more complex hardware and energy requirements, raising significant infrastructure concerns. Among the various models of AI, Neural Networks (NN) are one of the most prominent and widely adopted concepts, promising great modeling capabilities and generalization performance, yet being computationally intensive. To address these issues, research is directed towards alternative, more energy efficient implementations of Neural Networks, such as Analog Neural Networks and Neuromorphic systems. Neuromorphic Networks (NN) are a biologically-inspired, hardware-based type of Neural Network, where the network's data are inscribed directly in the circuit and information is encoded in physical quantities such as voltage, current, and conductance. In this work, an analog implementation of a single hidden layer NN in 22nm 0.8V FDSOI technology was studied, adapting the design of the previously proposed Trainable Analog Block (TAB), originally fabricated in 65nm bulk CMOS. For the development of the network circuits such as current mirrors, M-2M ladders, D/A Converters and operational amplifiers, had to be modified accordingly, with some of these realizations not yet reported in the literature for the FDSOI technology. A maximum power consumption of 240nW per neuron and output-weight block was achieved, while maintaining robust and accurate performance.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Γεωργίου Κυριόπουλου

με θέμα

Τοποθέτηση Μικροϋπηρεσιών σε Υποδομές Cloud-Fog-Edge με χρήση Ενισχυτικής Μάθησης
Microservice Placement in Cloud-Fog-Edge Infrastructures using Reinforcement Learning

Εξεταστική Επιτροπή
Καθηγητής Ευριπίδης Πετράκης (επιβλέπων)
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς
Επίκουρος Καθηγητής Ιωάννης Πευκιανάκης

Περίληψη
Οι σύγχρονες cloud-native εφαρμογές υλοποιούνται συχνά με αρχιτεκτονική μικροϋπηρεσιών και αναπτύσσονται σε κατανεμημένες υποδομές Kubernetes. Σε υποδομές μεγάλης κλίμακας, οι εφαρμογές εκτείνονται συνήθως σε πολλαπλά Kubernetes clusters και οργανώνονται σε τοπολογία cloud-fog-edge. Παρότι αυτή η αρχιτεκτονική στοχεύει στη βελτίωση της διαθεσιμότητας και στη μείωση της αντιλαμβανόμενης καθυστέρησης από τον χρήση, εισάγει παράλληλα το πρόβλημα της τοποθέτησης των υπηρεσιών. Η ετερογενής φύση των επιπέδων cloud, fog και edge, τόσο ως προς τη διαθέσιμη υπολογιστική ισχύ όσο και ως προς την καθυστέρηση του δικτύου, καθιστά τις στατικές στρατηγικές τοποθέτησης ανεπαρκείς σε δυναμικά φορτία.
Η παρούσα διπλωματική εργασία εξετάζει το πρόβλημα της τοποθέτησης υπηρεσιών σε περιβάλλοντα Kubernetes πολλαπλών clusters και προτείνει μια προσέγγιση βασισμένη στη μηχανική μάθηση και πιο συγκεκριμένα στη μέθοδο Deep Q-Learning. Το σύστημα αναπτύσσει έναν πράκτορα ενισχυτικής μάθησης σε κάθε cluster, ο οποίος παρατηρεί τις τοπικές μετρικές του συστήματος και αποφασίζει αν θα αναπτύξει, θα αφαιρέσει ή θα διατηρήσει τις υπηρεσίες. Στόχος του πράκτορα είναι η εξισορρόπηση της απόκρισης των υπηρεσιών και της συνολικής απόδοσης του συστήματος, λαμβάνοντας υπόψη τους περιορισμούς των διαθέσιμων πόρων του κάθε cluster.
Το σύστημα υλοποιείται πάνω σε μια υποδομή Kubernetes με χρήση της διανομής K3s. Η επικοινωνία υλοποιείται μέσω του service mesh Linkerd. Ο πράκτορας βασίζεται σε δεδομένα τα οποία συλλέγονται σε πραγματικό από τα clusters και διαμορφώνουν την κατάσταση του περιβάλλοντος της ενισχυτικής μάθησης.
Για την αξιολόγηση της αποτελεσματικότητας της προσέγγισης, πραγματοποιούνται πειράματα με τη χρήση δύο εφαρμογών βασισμένων στην αρχιτεκτονική μικροϋπηρεσιών. Προκειμένου να προσομοιωθεί η ρεαλιστική συμπεριφορά των χρηστών, δημιουργούνται δυναμικά φορτία. Η απόδοση του πράκτορα αξιολογείται και συγκρίνεται με τις αρχικές στρατηγικές τοποθέτησης.
Τα πειραματικά αποτελέσματα δείχνουν ότι η προτεινόμενη προσέγγιση προσαρμόζεται αποτελεσματικά στις μεταβολές του φορτίου και βελτιώνει τις αποφάσεις με την πάροδο του χρόνου. Αξιοποιώντας το περιβάλλον, το σύστημα επιτυγχάνει χαμηλότερες καθυστερήσεις και πιο αποδοτική αξιοποίηση των διαθέσιμων πόρων. Τα ευρήματα αυτά αναδεικνύουν τη δυναμική της ενισχυτικής μάθησης ως λύση για την τοποθέτηση υπηρεσιών σε κατανεμημένα περιβάλλοντα Kubernetes.

Abstract 
Modern cloud-native applications are often built using the microservice architecture and deployed across distributed Kubernetes infrastructures. In large-scale deployments, applications usually span multiple Kubernetes clusters and are organized in a cloud-fog-edge topology. While this architecture focuses on improving availability and reducing user-perceived latency, it also introduces the problem of service placement. The heterogeneous nature of cloud, fog, and edge layers in terms of resource capacity and network latency makes static or heuristic-based placement strategies insufficient under dynamic workloads.
This thesis investigates the problem of service placement in multi-cluster Kubernetes environments and proposes a learning-based approach based on Deep-Q Learning. The system deploys a reinforcement learning agent at each cluster. Each agent observes the local system metrics and decides whether to deploy, remove, or retain services. The objective of the agent is to balance service responsiveness and system throughput while respecting the cluster's resource constraints.
The system is implemented on top of a lightweight Kubernetes infrastructure using a single-node K3s architecture. 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 metrics form the environment state of the reinforcement learning model.
To evaluate the approach's effectiveness, experiments are conducted using two microservice-based benchmark applications. Dynamic workloads are generated using a load-testing framework, to simulate realistic user behavior and demand. The performance of the Deep Q-learning-based placement strategy is assessed and compared against baseline placement strategies.
The experimental results demonstrate that the learning-based approach adapts effectively to workload changes and improves service placement decisions over time. By leveraging feedback from the environment, the system achieves lower latencies and more efficient resource utilization. These findings highlight the potential of reinforcement learning as a solution for dynamic service placement in distributed Kubernetes environments.

Meeting ID: 613 764 0471
Password: 582678

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Λαζάρου Χαραλαμπίδη

με θέμα
Διάγνωση και Ερμηνεία Σφαλμάτων Καλωδίων Μέσης Τάσης με χρήση Μερικών Εκκενώσεων
Diagnosis and Interpretation of Medium Voltage Cable Faults Using Partial Discharges

Εξεταστική Επιτροπή
Επίκουρος Καθηγητής Γεώργιος Πέππας (Επιβλέπων) 
Καθηγητής Κωνσταντίνος Γυφτάκης
Καθηγητής Ευτύχιος Κουτρούλης

Περίληψη
Η παρούσα διπλωματική εργασία πραγματεύεται τη διάγνωση και ερμηνεία σφαλμάτων σε υπόγεια δίκτυα Μέσης Τάσης, με έμφαση στη χρήση μετρήσεων μερικών εκκενώσεων (Partial Discharges – PD) στο πλαίσιο δοκιμών Very Low Frequency (VLF) και άλλων σύγχρονων διαγνωστικών τεχνικών πεδίου. Η αυξανόμενη τάση υπογειοποίησης των δικτύων ηλεκτρικής διανομής, ιδιαίτερα σε περιοχές αυξημένου περιβαλλοντικού κινδύνου, καθιστά αναγκαία την ανάπτυξη αξιόπιστων μεθόδων αξιολόγησης της κατάστασης της μόνωσης, καθώς τα υπόγεια καλώδια δεν είναι άμεσα προσβάσιμα και οι αστοχίες τους συχνά εκδηλώνονται χωρίς προειδοποίηση.
Στο πλαίσιο της εργασίας παρουσιάζεται το θεωρητικό υπόβαθρο των φαινομένων μερικών εκκενώσεων και των δοκιμών VLF, καθώς και η μεθοδολογία μέτρησης και ανάλυσης που εφαρμόζεται σε πραγματικές συνθήκες πεδίου. Ακολουθεί η παρουσίαση πειραματικών μετρήσεων σε δίκτυα Μέσης Τάσης, με ανάλυση PRPD διαγραμμάτων, χωρική χαρτογράφηση της δραστηριότητας μερικών εκκενώσεων και αξιολόγηση διαγνωστικών δεικτών όπως οι τάσεις έναρξης και εξάλειψης μερικών εκκενώσεων.
Ιδιαίτερη έμφαση δίνεται στη διάκριση μεταξύ δραστηριότητας που σχετίζεται με γενικευμένη υποβάθμιση της μόνωσης και φαινομένων τοπικού χαρακτήρα, όπως προβλήματα στις ευθείες συνδέσεις καλωδίου, ακόμη και σε καινούρια δίκτυα μέσης τάσης. Τα αποτελέσματα αναδεικνύουν τη σημασία της συνδυαστικής αξιολόγησης των μετρήσεων και υπογραμμίζουν τον ρόλο των μερικών εκκενώσεων ως εργαλείου προληπτικής διάγνωσης και αξιόπιστης λειτουργίας των σύγχρονων δικτύων Μέσης Τάσης.

Λέξεις κλειδιά: Καλώδια μέσης τάσης, υπόγεια καλώδια, μερικές εκκενώσεις, Very Low Frequency (VLF), διάγνωση σφαλμάτων, PRPD διαγράμματα, χωρική χαρτογράφηση PD, συνδέσεις καλωδίων, προληπτική συντήρηση

Abstract 
This diploma thesis focuses on the diagnosis and interpretation of faults in medium-voltage underground cable systems, with emphasis on the application of partial discharge (PD) measurements under Very Low Frequency (VLF) testing and other modern field diagnostic techniques. The increasing trend toward the undergrounding of power distribution networks, particularly in areas exposed to elevated environmental risks, highlights the need for reliable insulation condition assessment methods, since underground cables are not directly accessible and their failures often occur without visible warning signs.
The thesis presents the theoretical background of partial discharge phenomena and VLF testing, along with the measurement methodology and analysis techniques applied under real field conditions. Experimental measurements on medium-voltage cable systems are presented, including PRPD diagram analysis, spatial PD mapping, and evaluation of key diagnostic indicators such as partial discharge inception and extinction voltages.
Special emphasis is placed on distinguishing between PD activity associated with generalized insulation degradation and localized phenomena, such as defects in joints and cable accessories, even in newly installed networks. The results highlight the importance of a combined diagnostic approach and demonstrate the value of partial discharge measurements as a tool for preventive diagnostics and reliable operation of modern medium-voltage distribution networks.
Keywords: Medium Voltage, underground cables, partial discharges, Very Low Frequency (VLF), fault diagnosis, PRPD diagrams, PD mapping, cable joints, preventive maintenance

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Αλεξάνδρου Αβραάμ 

με θέμα
Ομοσπονδοποιημένη Μάθηση Επιδημιακών Χωροχρονικών Μοντέλων 
Federated Learning of Spatiotemporal Epidemic Models

Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς (επιβλέπων)
Καθηγητής Αντώνιος Δεληγιαννάκης
Καθηγητής Θρασύβουλος Σπυρόπουλος 

Περίληψη
Η διπλωματική παρουσιάζει ένα καινοτόμο πλαίσιο Ομοσπονδοποιημένης Μάθησης για την ανάλυση χωροχρονικών μοντέλων, με έμφαση στην πανδημία COVID-19. Γίνεται χρήση του αλγορίθμου Approximate Bayesian Computation Sequential Monte Carlo για την εκτίμηση παραμέτρων χωρίς τη χρήση της συνάρτησης πιθανοφάνειας. Προσφέροντας μία λύση σε ντετερμινιστικά και στοχαστικά συστήματα. Η μεθοδολογία επικυρώθηκε με τα μοντέλα Lotka - Volterra, Susceptible - Infected - Recovered (SIR) πριν εφαρμοστεί στο προηγμένο μοντέλο Episim για τα δεδομένα της Ισπανίας. Για να αντιμετοσπιστεί το ακριβό κόστος προσωμοίωσης με τον Episim, ενσωματώθηκε το πλαίσιο Dask Distributed για την παραλληλοποίηση των διεργασιών. Στόχος της εργασίας είναι η διασφάλιση της ιδιωτικότητας ευαίσθητων ιατρικών δεδομένων μέσα από μια ομοσπονδοποιημένη τοπολογία. Τα αποτελέσματα δείχνουν ότι το σύστημα συγκλίνει αποτελεσματικά στις πραγματικές επιδημιολογικές παραμέτρους χωρίς την ανταλλαγή ευαίσθητων δεδομένων. Προσφέρει ένα επεκτάσιμο εργαλείο για τη εύρεση σημαντικών επιδημιολογικών παραμέτρων σε πραγματικό χρόνο.Ταυτόχρονα, αναδεικνύει τη σημασία της ομοσπονδοποιημένης αρχιτεκτονικής στη διαχείριση γεωγραφικά δεσπαρμένων και ευαίσθητων πηγών πληροφορίας.

Abstract 
This thesis presents an innovative Federated Learning framework for the analysis of spatiotemporal models, with a specific focus on the COVID-19 pandemic. The methodology utilizes the Approximate Bayesian Computation Sequential Monte Carlo algorithm for parameter estimation, enabling inference in deterministic and stochastic systems where the likelihood function is computationally intractable. The proposed framework was first validated using the Lotka - Volterra and Susceptible - Infected - Recovered (SIR) models before being applied to Episim, an advanced epidemiological model, using data from Spain. To address the high computational demands of Episim simulations, the Dask Distributed framework was integrated to enable parallel processing. The primary objective of this research is to ensure the privacy of sensitive medical data through a federated topology. The results demonstrate that the system effectively converges to the actual epidemiological parameters without the need for raw data exchange. Ultimately, this work provides a tool for real time important epidemiological parameters estimation and highlights the critical role of a federated architecture in managing geographically dispersed and sensitive information sources.

Meeting ID: 972 5703 0368 
Password: 000731

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ειρήνης Κυπαράκη

με θέμα

Μελέτη και Προσομοίωση Κυματομορφών Κεραυνικών Πληγμάτων σε Αεροσκάφη
Study and Simulation of Lightning Strike Waveforms on Aircraft

Εξεταστική Επιτροπή
Επίκουρος Καθηγητής Γεώργιος Πέππας (επιβλέπων)
Καθηγητής Κωνσταντίνος Γυφτάκης
Αναπληρωτής Καθηγητής Ανδρέας Γιώτης (ΠΚ, Σχολή ΜΗΧΟΠ)

Περίληψη
Η παρούσα διπλωματική εργασία εξετάζει την ηλεκτρομαγνητική απόκριση αεροσκαφών που αποτελούνται από σύνθετες δομές κατά τη διάρκεια άμεσου κεραυνικού πλήγματος. Μεγαλύτερη έμφαση δίνεται στο Airbus A350, του οποίου η άτρακτος κατασκευάζεται κυρίως από Πολυμερές Ενισχυμένο με Ανθρακονήματα (Carbon Fiber Reinforced Polymer – CFRP). Σε αντίθεση με τα παραδοσιακά μεταλλικά αεροσκάφη, το CFRP παρουσιάζει ανισοτροπική και σημαντικά χαμηλότερη ηλεκτρική αγωγιμότητα, με αποτέλεσμα μη ομοιόμορφη ροή ρεύματος, αυξημένα ηλεκτρικά πεδία και πιθανή βλάβη κατά την πρόσπτωση κεραυνού. Στόχος της παρούσας εργασίας είναι η ανάλυση του τρόπου με τον οποίο το κεραυνικό ρεύμα διαδίδεται στην επιφάνεια ενός αεροσκάφους από CFRP και ο εντοπισμός κρίσιμων περιοχών όπου τα ηλεκτρομαγνητικά πεδία και οι πυκνότητες ρεύματος συγκεντρώνονται.
Εφαρμόζεται μια ολοκληρωμένη προσέγγιση μοντελοποίησης στο πεδίο του χρόνου με χρήση του COMSOL Multiphysics 6.2 και της διεπαφής Electromagnetic Waves, Transient,Time-dependent. Χρησιμοποιείται ένα λεπτομερές τρισδιάστατο μοντέλο του Airbus A350, το οποίο ενσωματώνει ορισμούς υλικών CFRP, σιδηρούχα δομικά στοιχεία και προσεγγίσεις τέλειου αγωγού για το μοντέλο του αεροσκάφους. Μια τυποποιημένη παροδική κυματομορφή κεραυνού εφαρμόζεται στη μύτη του αεροσκάφους και τα προκύπτοντα ηλεκτρικά πεδία, μαγνητικά πεδία, ρεύματα και θερμικά φαινόμενα μελετώνται σε όλο το αεροσκελετό.
Τα αποτελέσματα της προσομοίωσης αποκαλύπτουν έντονη διοχέτευση ρεύματος κατά μήκος διεπιφανειών σύνθετων υλικών και ισχυρή ενίσχυση πεδίου κοντά στη μύτη και στα πρόσθια χείλη. Τα ευρήματα συμβάλλουν στην κατανόηση του τρόπου με τον οποίο τα αεροσκάφη από CFRP ανταποκρίνονται στην παροδική αλληλεπίδραση κεραυνού-ύλης και υποστηρίζουν την ανάπτυξη αποτελεσματικότερων στρατηγικών αντικεραυνικής προστασίας για σύγχρονους σύνθετους αεροπορικούς φορείς.

Abstract 
This thesis examines the electromagnetic response of aircraft that are composed of composite structures during a direct lightning strike. A bigger emphasis was given on Airbus A350, whose fuselage is primarily constructed from Carbon Fiber Reinforced Polymer (CFRP). Unlike traditional metallic airframes, CFRP exhibits anisotropic and significantly lower electrical conductivity, resulting in non-uniform current flow, elevated electric fields, and potential damage during a lightning attachment. The aim of this work is to analyze how lightning current propagates over a CFRP aircraft surface and to identify critical regions where electromagnetic fields and current densities become concentrated.
A comprehensive time-domain modelling approach is implemented using COMSOL Multiphysics 6.2 and the Electromagnetic Waves, Transient,Time-dependent. interface. A detailed 3D model of the Airbus A350 is employed, incorporating CFRP material definitions, iron-based structural components, and perfect-conductor approximations for the aircraft model. A standard transient lightning waveform is injected at the aircraft nose, and the resulting electric fields, magnetic fields, currents, and thermal effects are studied across the airframe.
The simulation results reveal pronounced current channeling along composite interfaces, strong field intensification near the nose and leading edges. The findings contribute to understanding how CFRP aircraft respond to transient lightning-matter interaction and support the development of more effective lightning protection strategies for modern composite airframes.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Δημητρίου Αγγελόπουλου

με θέμα

Συνεργατικός Προσαρμοστικός Έλεγχος Πλοήγησης Συστοιχιών Οχημάτων με Αντιστάθμιση Καθυστέρησης Αξιοποιώντας την Τοπολογία Επικοινωνίας πολλαπλών-προηγούμενων-ακόλουθων
Delay-Compensating Cooperative Adaptive Cruise Control of Vehicular Platoons Utilizing Multiple-Predecessor-Following Communication Topology

Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Νικόλαος Μπεκιάρης-Λυμπέρης (επιβλέπων)
Καθηγητής Διονύσιος Χριστόπουλος
Amirhossein Samii (PhD ECE, TUC)

Περίληψη
Ο Συνεργατικός Προσαρμοστικός Έλεγχος Πλοήγησης (ΣΠΕΠ) και η εξέλιξη του στην έρευνα καθιερώνει έναν από τους κύριους λόγους που τα ευφυή συστήματα μεταφοράς έχουν βελτιωθεί τα τελευταία χρόνια. Πιο συγκεκριμένα, αυτή η μεθοδολογία ελέγχου στοχεύει να βελτιώσει την ασφάλεια και την αποδοτικότητα ενώ ταυτόχρονα εγγυάται εν σειρά ευστάθεια των συστοιχιών οχημάτων. Η ανταλλαγή πληροφορίας μεταξύ των οχημάτων που χρησιμοποιούν ΣΠΕΠ δημιουργεί μία σύγχρονη στρατηγική ελέγχου που έχει καλύτερες επιδόσεις από κλασσικές μεθόδους Προσαρμοστικού Ελέγχου Πλοήγησης (ΠΕΠ). Ως αποτέλεσμα, οι ταλαντώσεις που δημιουργούνται στην κίνηση εξαλείφονται και η διάδοση διαταραχών στις διασυνδεδεμένες συστοιχίες οχημάτων εξαφανίζονται. Από την άλλη, η πρακτική εφαρμογή τέτοιων ελεγκτών έχει μερικές δυσκολίες. Μία από αυτές είναι η καθυστέρηση εισόδου, όπου το σήμα ελέγχου δεν εφαρμόζεται αμέσως στο σύστημα, ενώ άλλες πηγάζουν από την ετερογένεια μεταξύ των οχημάτων. Αυτές οι προκλήσεις, μπορούν να μειώσουν σημαντικά την απόδοση αλλά και ακόμα να υποβαθμίσουν την ευστάθεια καθενός από τα οχήματα και την εν σειρά ευστάθεια των συστοιχιών οχημάτων. Έτσι, ένας νόμος βασισμένος σε προβλέψεις ΣΠΕΠ εισάγεται, για ετερογενή οχήματα, κάτω από σταθερές καθυστερήσεις. Αυτή η εργασία θεωρεί ένα εν σειρά σύνολο διασυνδεδεμένων συστοιχιών οχημάτων που αξιοποιούν την τοπολογία επικοινωνίας Πολλαπλών-Προηγούμενων-Ακολούθων (ΠΠΑ).
Ο προτεινόμενος ελεγκτής είναι βασισμένος στην σχεδίαση ενός ονομαστικού, χωρίς καθυστερήσεις, ΣΠΕΠ. Συνεχίζοντας, αξιοποιώντας τον παραπάνω ενσωματώνουμε έναν μηχανισμό πρόβλεψης έτσι ώστε να αντισταθμίσουμε την καθυστέρηση εισόδου. Αυτός ο ελεγκτής, ανατροφοδοτεί τα σφάλματα των καταστάσεων απόστασης, ταχύτητας και επιτάχυνσης ώστε να πετύχει εξασθένηση των διαταραχών και βελτιωμένη απόδοση. Ταυτόχρονα, παρέχεται και μία ανάλυση των παραμέτρων ελέγχου έτσι ώστε να τονιστεί η σημασία των παραμέτρων σχεδίασης, όπως η χρονική απόσταση μεταξύ δύο οχημάτων και ο αριθμός των ακολούθων με τους οποίους υπάρχει επικοινωνία. Επίσης μία περιεκτική ανάλυση της ευστάθειας και της εν σειρά ευστάθειας των συστοιχιών οχημάτων παρουσιάζεται. Αυτή η ανάλυση είναι βασισμένη σε αναπαραστάσεις συναρτήσεων μεταφοράς σε σχέση με τα σφάλματα ταχυτήτων. Πάνω σε αυτό το πλαίσιο, δίνεται έμφαση στην ετερογένεια και στην αντιστάθμιση της καθυστέρησης, ενώ ταυτόχρονα παράγονται αναγκαίες συνθήκες για την εν σειρά ευστάθεια των συστοιχιών οχημάτων. Τα αποτελέσματα δείχνουν πως η χρήση ενός ΣΠΕΠ βασισμένο σε μηχανισμό πρόβλεψης μπορεί εξαφανίσει τις καθυστερήσεις και να μειώσει την χρονική απόσταση μεταξύ δύο οχημάτων. Τέλος, παρέχονται αριθμητικές προσομοιώσεις, με στόχο να επαληθεύσουν την θεωρητική ανάλυση. Τα πειράματα δείχνουν πώς οι καθυστερήσεις, η ετερογένεια και η τοπολογία επικοινωνίας επηρεάζουν την ευστάθεια του συστήματος. Δείχνουν επίσης πώς ο μηχανισμός πρόβλεψης αντισταθμίζει πλήρως τις καθυστερήσεις και βελτιώνει την απόδοση.

Abstract 
Cooperative Adaptive Cruise Control (CACC) and its evolution in recent research constitute one of the primary reasons that intelligent transportation systems have seen such great improvements over the last few years. Particularly, this control methodology aims to improve safety and efficiency while simultaneously guaranteeing string stability of the platoon of vehicles. Information exchange between vehicles that use CACC creates a state-of-the-art control strategy that outperforms classical Adaptive Cruise Control (ACC) methods. As a result, traffic oscillations are eliminated, and disturbance propagation in the platoon vanishes. On the other hand, the practical implementation of such controllers also comes with some difficulties. One of these includes actuation delays, where the control signal is not imposed instantly, while others stem from the heterogeneity of the platoons. These challenges can significantly reduce performance and even degrade individual vehicle stability and string stability. Thus, a predictor-based CACC law is introduced for heterogeneous platoons under constant delays. The main goal is to achieve both individual vehicle stability and string stability under these conditions. This work considers a platoon model where each vehicle is inter-connected utilizing the Multiple-Predecessor-Following (MPF) communication topology.
The proposed controller is based on a nominal delay-free CACC design. Continuing, we build upon this framework and incorporate a predictor-based mechanism to compensate for the presence of actuation delays. This controller provides feedback on the spacing, speed, and acceleration errors in order to achieve disturbance attenuation and improved performance. At the same time, an analysis regarding the control parameters is provided in order to highlight the importance of the design parameters, such as the time headway and the number of predecessor vehicles communication. A comprehensive analysis of stability and string stability is presented. This analysis is based on transfer function representations with respect to the speed errors. Upon this framework, strong emphasis on heterogeneity and delay-compensation is given, while also sufficient conditions for string stability are also generated. The results show that the use of a predictor-based CACC law effectively eliminates input delays while simultaneously significantly reducing time headway. Finally, numerical simulations are presented, with the goal to validate the theoretical analysis. The experiments show how delays, heterogeneity and information topology affect the stability of the system. They also show how the predictor-based CACC methodology compensates for the delays while improving performance.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Παναγιώτη Κόντου 

με θέμα

Επίδραση Γήρανσης στη Διηλεκτρική Αντοχή Υγρών Διηλεκτρικών
Effect of Aging on the Dielectric Strength of Liquid Dielectrics

Εξεταστική Επιτροπή
Επίκουρος Καθηγητής Γεώργιος Πέππας (επιβλέπων)
Καθηγητής Ευτύχιος Κουτρούλης
Αναπληρωτής Καθηγητής Θωμάς Τσοβίλης (ΑΠΘ, Τμήμα ΗΜΜΥ)

Περίληψη
Η παρούσα διπλωματική εργασία πραγματεύεται τη μελέτη της διηλεκτρικής αντοχής νανοελαίων γηρασμένου φυσικού εστέρα και ειδικότερα του ελαίου FR3, με πρόσμιξη νανοσωματιδίων οξειδίου του σιδήρου (Fe2O3), υπό διαφορετικές συνθήκες αφύγρανσης και υπερήχησης. Στόχος της εργασίας είναι η διερεύνηση της επίδρασης της συγκέντρωσης νανοσωματιδίων, της χρονικής γήρανσης, καθώς την επίδραση διαφορετικών προτόκολλων προετοιμασίας, δηλαδή υπερήχησης και αφύγρανσης στη στατιστική συμπεριφορά της τάσης διάσπασης.
Η πειραματική διαδικασία πραγματοποιήθηκε σύμφωνα με το πρότυπο IEC 60156, ενώ τα αποτελέσματα αναλύθηκαν με χρήση της κατανομής Weibull, επιτρέποντας την αξιολόγηση της διηλεκτρικής αντοχής με όρους αξιοπιστίας και όχι μόνο μέσω μέσων τιμών. Ιδιαίτερη έμφαση δόθηκε στα χαμηλά ποσοστιαία επίπεδα πιθανότητας (1%), τα οποία είναι κρίσιμα για την σχεδίαση αξιόπιστων υγρών διηλεκτρικών σε εφαρμογές μετασχηματιστών υψηλής τάσης.
Τα αποτελέσματα δείχνουν ότι η προσθήκη νανοσωματιδίων Fe2O3 μπορεί, υπό συγκεκριμένες συγκέντρωσης και πρωτοκόλλων προετοιμασίας, να οδηγήσει σε βελτίωση της διηλεκτρικής αντοχής, ενώ παράλληλα αναδεικνύεται ο καθοριστικός ρόλος της υπερήχησης στη σταθερότητα της διασποράς και στη διαμόρφωση της στατιστικής κατανομής της τάσης διάσπασης. Αντίθετα, η γήρανση επηρεάζει σημαντικά τόσο τις μέσες τιμές όσο και τις παραμέτρους της κατανομής Weibull, γεγονός που υπογραμμίζει τη σημασία της μακροχρόνιας αξιολόγησης των νανοελαίων.
Συνολικά, η εργασία συμβάλλει στην κατανόηση των μηχανισμών που διέπουν τη διηλεκτρική συμπεριφορά νανοελαίων φυσικού εστέρα και αναδεικνύει τη χρησιμότητα της στατιστικής προσέγγισης Weibull για την αξιόπιστη αξιολόγηση υγρών διηλεκτρικών σε εφαρμογές υψηλής τάσης.

Abstract 
This diploma thesis investigates the dielectric strength of aged natural ester insulating nanofluids, focusing on FR3 oil enhanced with iron oxide (Fe2O3) nanoparticles, under different dehydration and ultrasonication conditions. The main objective is to examine the influence of nanoparticle concentration, temporal aging, as well as the influence of various preparation protocols, meaning diffrent ultrasonication and dehydration processes on the statistical behavior of breakdown voltage.
The experimental procedure was conducted in accordance with IEC 60156, while the obtained breakdown voltage data were analyzed using the Weibull distribution. This approach enables a reliability-oriented evaluation of dielectric strength, extending beyond mean values and emphasizing low-probability percentiles (1%), which are of particular importance for the design of reliable liquid dielectrics for high-voltage transformer applications.
The results indicate that the addition of Fe2O3 nanoparticles can lead to an enhancement of dielectric strength under specific concentration levels and preparation conditions, while the crucial importance of ultrasonication is highlighted in the dispersion stability and the significant effects on the parameters of the breakdown voltage statistical distribution. Conversely, aging has a pronounced impact on both the average breakdown voltage and the Weibull parameters, showcasing the necessity of long-term assessment when evaluating the performance of dielectric nanofluids.
Overall, this work contributes to a deeper understanding of the mechanisms governing the dielectric behavior of natural ester-based nanofluids and demonstrates the effectiveness of Weibull statistical analysis as a robust tool for assessing dielectric reliability in high-voltage insulation systems.

ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ 

Αποστόλου Λαζίδη

με θέμα
Βέλτιστη Ανάθεση Υπολογιστικών Κόμβων και Δρομολόγηση Επικοινωνίας με Επίγνωση Καθυστέρησης στο Kubernetes
Latency Optimized Node and Traffic Scheduling in Kubernetes

Εξεταστική Επιτροπή
Καθηγητής Ευριπίδης Πετράκης (επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς 

Περίληψη
Οι μικροϋπηρεσίες σε containers αποτελούν το πρότυπο για την ανάπτυξη σύγχρονων εφαρμογών, προσφέροντας βελτιωμένη απομόνωση σφαλμάτων, δυνατότητα κλιμάκωσης και υψηλή ανθεκτικότητα. Για να διασφαλιστεί η ανοχή σε σφάλματα, οι μικροϋπηρεσίες πρέπει να κλιμακώνονται οριζόντια με την ανάπτυξη πολλαπλών αντιγράφων, ενώ η υψηλή διαθεσιμότητα επιτυγχάνεται με την τοποθέτησή τους σε πολλαπλούς εξυπηρετητές. Το Kubernetes αποτελεί ένα ισχυρό εργαλείο ενορχήστρωσης που διαχειρίζεται τον κύκλο ζωής των εφαρμογών σε containers, παρέχοντας λειτουργίες αυτόματης κλιμάκωσης, αυτόματης αποκατάστασης και ανακάλυψης υπηρεσιών. O Horizontal Pod Autoscaler (HPA) είναι το εργαλείο του Kubernetes για την αναπαραγωγή αντιγράφων των μικροϋπηρεσιών σε containers (Pods). Τα Pods σε μια εφαρμογή επικοινωνούν μεταξύ τους. Κατά την κλιμάκωση, ιδανικά πρέπει να τοποθετούνται βάσει της συχνότητας της μεταξύ τους επικοινωνίας, ώστε να ελαχιστοποιείται η καθυστέρηση μεταξύ των κόμβων (Nodes). Η μείωση της επικοινωνίας μεταξύ απομακρυσμένων κόμβων μπορεί να βελτιώσει σημαντικά τον χρόνο απόκρισης και να μειώσει το κόστος υποδομής όταν το Kubernetes τρέχει σε έναν πάροχο cloud. Ωστόσο, ο HPA βασίζεται στον προεπιλεγμένο Kubernetes Scheduler για την τοποθέτηση των νέων Pods στους κόμβους, κάτι που μπορεί να οδηγήσει σε μη βέλτιστη κατανομή, καθώς ο Scheduler δεν λαμβάνει υπόψη τα πρότυπα επικοινωνίας των Pods (inter/intra-node ή inter/intra-cluster επικοινωνία). Πέραν της κλιμάκωσης, το Kubernetes βασίζεται εξ ορισμού στα iptables για τη δρομολόγηση των αιτημάτων προς τα κατάλληλα Pods. Ωστόσο, τα iptables χρησιμοποιούνε έναν αλγόριθμο τυχαιότητας και δεν λαμβάνουν υπόψη την καθυστέρηση μεταξύ κόμβων, τη χρήση πόρων των Pods ή τον αριθμό διαθέσιμων αντιγράφων, οδηγώντας σε υπερφορτωμένα Pods και μεγάλες καθυστερήσεις όταν τα αιτήματα εξυπηρετούνται από απομακρυσμένους κόμβους. Για την αντιμετώπιση του προβλήματος της τοποθέτησης των Pods και της αποτελεσματικής κατανομής φορτίου στο Kubernetes, παρουσιάζουμε το StornX. Το StornX είναι ένας μηχανισμός αυτόματης κλιμάκωσης αντιγράφων και δρομολόγησης αιτημάτων που κατανέμει βέλτιστα τα αντίγραφα Pod εντός του Kubernetes cluster και μεταξύ των ζωνών διαθεσιμότητας στη περίπτωση του υπολογιστικού νέφους, βελτιώνει την απόδοση μέσω συντοποθέτησης επιπλέον αντιγράφων και διαχειρίζεται δυναμικά τη κατανομή αιτημάτων χρησιμοποιώντας τα βάρη τοπολογίας του Istio Service Mesh. Δρομολογεί τα αιτήματα σε συντοποθετημένα αντίγραφα και απομακρύνοντάς τα από Pods που φτάνουν τα ορισμένα όρια φόρτου, στελνοντάς τα σε Pods με διαθέσιμους πόρους. Τα πειράματα στο StornX έγιναν στο AWS cloud χρησιμοποιώντας δύο εφαρμογές. Τα πειραματικά αποτελέσματα δείχνουν ότι το StornX μειώνει τον χρόνο απόκρισης, τη χρήση πόρων, τον αριθμό των αντιγράφων και το συνολικό κόστος σε σενάρια stress και load testing. Επιπλέον, εγιναν πειράματα όπου "πέφτει" μία ζώνη διαθεσιμότητας δείχνοντας ότι το StornX ανακάμπτει πιο γρήγορα και διατηρεί καλύτερη απόδοση, κατανέμοντας την κίνηση στα διαθέσιμα αντίγραφα.

Abstract
Containerized microservices have become the defacto standard for building modern applications providing, improved fault isolation, scalability and resilience. To ensure fault-tolerance and maintain good performance under fluctuating workloads, microservices should be scaled horizontally by deploying multiple replicas. High availability is achieved by placing these replicas across multiple servers. Kubernetes is a powerful orchestrator tool that manages the lifecycle of containerized applications, providing features for automated scaling, self-healing, service discovery and seamless deployment. The Horizontal Pod Autoscaler (HPA) is Kubernetes default tool for scaling the containterized microservices, known as Pods. Pods often communicate with each other in applications. During scaling, they should ideally be scheduled based on their communication frequency to minimize cross-Node communication latency. Reducing cross-Node communication can significantly improve response time and minimize cloud costs when the Kubernetes is deployed on a cloud provider. However, HPA relies on the default Kubernetes Scheduler to assign replica Pods to Nodes, which can sometimes lead to sub-optimal placement of replicas across Nodes, because it does not rely on Pods communication patterns (i.e., inter or intra node or inter or intra cluster communication). Aside from scaling, Kubernetes by default relies on iptables to route traffic to appropriate Pods. However, iptables uses a randomized algorithm and does not consider Node-to-Node latency, Pods' resource usage or the number of available replica Pods, resulting in overloaded Pods and long delays when requests are sent to remote Nodes. To address the problem of Kubernetes replica Pod placement and load-balaning, we introduced StornX. StornX is a Kubernetes Pod autoscaler and traffic scheduler that optimal spreads the Pod replicas within a cluster across Availability Zones (AZ), optimizes efficiency by co-locating additional replicas, and dynamically manages traffic distribution using Istio Service Mesh locality weights by directing requests to co-located replicas while also rerouting traffic away from Pods that have reached their threshold limits toward replicas with available resources. StornX is tested on AWS cloud environment with two microservice-based applications. The experimental results reveal that StornX reduces the response time, resource usage, number of replica Pods and reduces the cost in stress and load test scenarios. Furthermore, Availability Zone failure experiments show that StornX recovers faster and with lower performance degradation by dynamically redistributing traffic among the remaining replicas.

Meeting ID: 613 764 0471
Password: 582678

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Δημητρίου Ορέστη

με θέμα
The CHILI Platform (TCP). Περιβάλλον Ανάλυσης Πληροφορίας Τηλεδιάσκεψης με Εφαρμογή Γλωσσικών Μοντέλων σε Kubernetes
The CHILI Platform (TCP). Video Conferencing Information Analysis in Kubernetes Using Language Models

Εξεταστική Επιτροπή
Καθηγητής Ευριπίδης Πετράκης, Επιβλέπων
Καθηγητής Μιχαήλ Ζερβάκης
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς

Περίληψη
Οι πλατφόρμες τηλεδιάσκεψης επικεντρώνονται στην ανάπτυξη και τη βελτίωση προηγμένων τεχνολογιών επικοινωνίας που επιτρέπουν την αποτελεσματική απομακρυσμένη επικοινωνία και συνεργασία. Τα συστήματα τηλεδιάσκεψης ενσωματώνουν καθηλωτικές τεχνολογίες και έξυπνες λειτουργίες για τη βελτίωση της εμπειρίας του χρήστη. Η παρούσα εργασία διερευνά τον σχεδιασμό, την υλοποίηση και την αξιολόγηση ενός συστήματος τηλεδιάσκεψης πραγματικού χρόνου, πολλαπλών χρηστών, το οποίο αναπτύχθηκε ως η πλατφόρμα CHILI. Το σύστημα αποτελεί μια ανθεκτική σε σφάλματα και επεκτάσιμη αρχιτεκτονική για την ασύγχρονη επεξεργασία δεδομένων ήχου. Επί του παρόντος, το CHILI υλοποιείται ως επέκταση της δημοφιλούς πλατφόρμας επικοινωνίας Discord και αναπτύσσεται στην υποδομή Kubernetes του Google Cloud. Η απόδοσή του έχει αξιολογηθεί διεξοδικά σε ποικιλία διαδικτυακών και προ-ηχογραφημένων συναντήσεων, καταδεικνύοντας την αξιοπιστία και την κλιμακωσιμότητά του.

Abstract 
Teleconferencing platforms focus on the development and refinement of cutting-edge communication technologies that enable effective remote communication and collaboration. Teleconferencing systems integrate immersive technologies and intelligent features to improve user experience. This paper investigates the design, implementation, and evaluation of a real-time, multi-user teleconferencing system deployed as the CHILI platform. The system is a fault-tolerant and scalable architecture for asynchronous processing of audio data. Currently, CHILI is implemented as an extension of the popular Discord communication platform
and is deployed on Google Cloud’s Kubernetes infrastructure. Its performance has been rigorously evaluated across a variety of online and pre-recorded meetings, demonstrating its robustness and scalability.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Γεωργίου Αργύρη

με θέμα

Μοντέλο Ψηφιακού Δίδυμου βασισμένο στη Νευρωνική Ανίχνευση Σύνθετων Γεγονότων για Ηλεκτρικές Εγκαταστάσεις και Βιομηχανικό Αυτοματισμό 
Digital Twin Model based on Neural Complex Event Recognition for Electrical Installation and Industrial Automation

Εξεταστική Επιτροπή
Επίκουρος Καθηγητής Νικόλαος Γιατράκος (επιβλέπων)
Καθηγήτρια Αικατερίνη Μανιά
Επίκουρος Καθηγητής Γεώργιος Πέππας

Περίληψη
Η αποτελεσματική παρακολούθηση και η ταχεία ανίχνευση βλαβών σε ηλεκτρικά συστήματα είναι απαραίτητες για την εξασφάλιση λειτουργικής αξιοπιστίας, τη μείωση χρόνου αδράνειας και την πρόληψη δαπανηρών ζημιών σε βιομηχανικές και εμπορικές υποδομές. Με την αυξανόμενη ενσωμάτωση σύνθετων συσκευών και εγκαταστάσεων μεγάλης κλίμακας, οι παραδοσιακές μέθοδοι παρακολούθησης αδυνατούν να παρέχουν έγκαιρες πληροφορίες και προγνωστική ανάλυση.
Η παρούσα διπλωματική εργασία εισάγει ένα πλαίσιο ψηφιακού διδύμου σε πραγματικό χρόνο για την παρακολούθηση και ανίχνευση συμβάντων σε ηλεκτρικά συστήματα. Το πλαίσιο ενσωματώνει δεδομένα αισθητήρων από πολλαπλές συσκευές, τα οποία μεταδίδονται μέσω WebSockets 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 αναγνώριση συμβάντων σε πραγματικό χρόνο. Αρχικά,
απλά συμβάντα (simple events) αναγνωρίζονται με αλγόριθμο βασισμένο σε κανόνες και στη συνέχεια εισάγονται σε νευρωνικό δίκτυο LSTM, εκπαιδευμένο σε ακολουθίες που παράχθηκαν από μοντέλο TimeGAN, προκειμένου να ανιχνευθούν συμβάντα πρώτου επιπέδου πολυπλοκότητας (1st-level complex events). Συμβάντα υψηλότερου επιπέδου πολυπλοκότητας (2nd-level complex events) ανιχνεύονται στη συνέχεια από το Flink. Οι επεξεργασμένες πληροφορίες παρουσιάζονται μέσω ενός 3D ψηφιακού
διδύμου υλοποιημένο σε περιβάλλον Unity, επιτρέποντας διαδραστική ανάλυση, ζωντανή παρακολούθηση και ειδοποιήσεις σε πραγματικό χρόνο.
Τα πειραματικά αποτελέσματα δείχνουν ότι το μοντέλο TimeGAN παράγει επιτυχώς ρεαλιστικά συνθετικά δεδομένα, εμπλουτισμένα τόσο με αριθμητικές μετρήσεις όσο και με ετικέτες συμβάντων. Αυτές οι συνθετικές ακολουθίες αποδείχθηκαν επαρκείς για την εκπαίδευση του μοντέλου LSTM, ώστε να επιτευχθεί αξιόπιστη ακρίβεια ανίχνευσης 1st-level complex events, μετά από περαιτέρω αξιολόγηση. Επιπλέον, η αξιολόγηση δείχνει ότι το Apache Flink αναγνωρίζει σταθερά σφάλματα υψηλότερου επιπέδου πολυπλοκότητας, τα οποία εξαρτώνται τόσο από simple events όσο και από συμβάντα που προβλέπονται από το LSTM. Η επεκτασιμότητα του συστήματος αξιολογήθηκε επίσης, ελέγχοντας ότι η απόδοση αυξάνεται ανάλογα με την αύξηση του παραλληλισμού του Flink. Τέλος, έρευνα εμπειρίας χρήστη υποδεικνύει ότι η διεπαφή του 3D ψηφιακού διδύμου υποστηρίζει αποτελεσματικά την παρακολούθηση σε πραγματικό χρόνο και τη λήψη αποφάσεων σε ηλεκτρικές υποδομές μεγάλης κλίμακας

Abstract 
Efficient monitoring and rapid fault detection in electrical systems are essential for ensuring operational reliability, reducing downtime, and preventing costly damage in industrial and commercial infrastructures. With the increasing integration of complex devices and large-scale installations, traditional monitoring methods struggle to provide timely insights and predictive analysis.
This thesis introduces a real-time digital twin framework for monitoring and event detection in electrical systems. The framework integrates sensor data from multiple devices, streamed via WebSockets and Apache Kafka. Data are processed using neural networks and big data tools such as Apache Flink’s DataStream API to enable scalable real-time event recognition. Initially, simple events are identified using a rule-based algorithm and then input into an LSTM neural network trained on TimeGAN-generated sequences to detect first-level complex events. Higher-level complex events are subsequently detected by Flink. The processed information is presented through a Unity-based 3D digital twin, enabling interactive analysis, live monitoring, and real time alerts.
Experimental results demonstrate that the TimeGAN model successfully generates realistic synthetic data enriched with both numerical measurements and event labels. These synthetic sequences proved sufficient for training the LSTM model to achieve reliable detection accuracy for first-level complex events, after further evaluation. Furthermore, the evaluation shows that Apache Flink consistently identifies higher level complex events that depend on both simple events and LSTM-predicted events. The system’s scalability was also assessed, revealing that throughput increases propor tionally with higher Flink parallelism. Finally, a user experience survey indicates that the 3D digital-twin interface effectively supports real-time monitoring and decision making in large-scale electrical infrastructures.

The talk will provide a concise overview of the teaching and research activities of the candidate faculty member Dr. E Pompodakis. It will mainly focus on the core research directions that he has pursued during his doctoral studies and postdoctoral work. Key findings from selected scientific publications will be discussed in the following areas:
(a) modelling of electric power systems,
(b) optimisation of power system operation,
(c) power system protection, and
(d) applications of power electronics in electric power systems.

About the Speaker

Evangelos E. Pompodakis received the Diploma degree in Electrical and Computer Engineering from the Aristotle University of Thessalonik, Greece, in 2011, the M.Sc. degree from the Technical University of Kaiserslautern, Germany, in 2015, and the Ph.D. degree from the Aristotle University of Thessaloniki in 2021. His research interests include electric power systems, distributed generation and energy storage, power electronic converters, as well as smart grid operation and control. He has authored 31 papers in peer-reviewed scientific journals and 12 conference papers, serving as first (lead) author in the majority of them. Since 2021, he has been a Lecturer at the Hellenic Mediterranean University, Greece.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Όλγας Τσίρου

με θέμα

Αναγνώριση αντικειμένων σε ροές βίντεο
Object detection in video streams

Εξεταστική Επιτροπή
Καθηγητής Ευριπίδης Πετράκης (επιβλέπων)
Καθηγητής Μιχάλης Ζερβάκης
Καθηγητής Μιχαήλ Λαγουδάκης

Περίληψη
Σε αυτήν την διπλωματική παρουσιάζουμε ένα κατανεμημένο σύστημα για επεξεργασία βίντεο, με την χρήση του Apache Flink και Apache Kafka, εγκατεστημένο σε cloud υποδομή με Kubernetes ως πλατφόρμα ενορχήστρωσης. Το υλοποιημένο σύστημα πραγματοποιεί αναγνώριση αντικειμένων και κατηγοριοποίησή τους σε κλάσεις με την χρήση του μοντέλου YOLOv5 και ορίζει τροχιές για καθένα από τα εντοπισμένα αντικείμενα για πολλαπλές ροές βίντεο. Οι στόχοι αυτής της υλοποίησης είναι να συμπεράνουμε εάν ένα τέτοιο σύστημα είναι εφικτό με την χρήση του Apache Flink. Επιπλέον, στοχεύουμε στην αξιολόγηση της επίδοσης του συστήματος και στη σύγκριση αυτής τόσο με τις θεωρητικές προσδοκίες όσο και με τα αποτελέσματα που προκύπτουν από πραγματικά πειράματα. Η ακρίβεια των ποιοτικών αποτελεσμάτων, δηλαδή των τελικών τροχιών, καθώς και οι χρονικές επιδόσεις του συστήματος αποτελούν τα σημαντικά αποτελέσματα της εργασίας αυτής. Αξιοποιώντας τις δυνατότητες κατανεμημένης επεξεργασίας ροών του Apache Flink, και χρησιμοποιώντας το Apache Kafka ως μεσάζοντα μηνυμάτων, διασφαλίζοντας την μεταφορά τους χωρίς απώλειες, το σύστημα χρησιμοποιεί το προαναφερθέν μοντέλο αναγνώρισης αντικειμένων, σε συνδυασμό με απλούς αλγόριθμους μηχανικής όρασης, συμπεριλαμβανομένης της ένωσης των αναγνωρισμένων αντικειμένων για την δημιουργία των ολοκληρωμένων αντικειμένων σε επίπεδο καρέ και της παρακολούθησης τους με βάση τα κέντρα τους για την επιλογή των τροχιών τους. Οι αλγόριθμοι αυτοί υλοποιούνται με βάση το datalflow μοντέλο το οποίο υπαγορεύει το Apache Flink. Αυτό σημαίνει ότι τόσο το μοντέλο, όσο και οι αλγόριθμοι υλοποιούνται σε έναν ξεχωριστό τελεστή του Flink. Με στόχο να αξιοποιηθεί η ικανότητα κατανεμημένης επεξεργασίας του Flink, κάθε καρέ χωρίζεται σε μικρότερα κομμάτια σταθερού μεγέθους, τα οποία μπορούν να διαμοιραστούν και να επεξεργαστούν ταυτόχρονα στους διάφορους τελεστές του Flink. Αρχικά, όλα τα κομμάτια ενός βίντεο διανέμονται ομοιόμορφα στα partitions του Kafka. Στη συνέχεια, όλοι οι κόμβοι του Flink διαβάζουν παράλληλα αυτά τα κομμάτια. Στο πρώτο στάδιο επεξεργασίας, κάθε κομμάτι γίνεται είσοδος στο YOLOv5 μοντέλο, έτσι ώστε να εξαχθούν χρήσιμες πληροφορίες για τα αντικείμενα που περιέχει. Αυτές οι πληροφορίες αφορούν το ορθογώνιο οριοθέτησης του αντικειμένου, το κέντρο του, την κατηγοριοποίηση του σε μία κλάση και την πιθανότητα να ανήκει στην συγκεκριμένη κλάση. Ύστερα, όλα τα αναγνωρισμένα αντικείμενα που ανήκουν σε κομμάτια του ίδιου καρέ συγκεντρώνονται και συγχωνεύονται, εφόσον πληρούν κάποιες προϋποθέσεις συγχώνευσης, για να σχηματίσουν ολοκληρωμένα αντικείμενα σε επίπεδο καρέ. Τέλος, όλα τα αντικείμενα που ανήκουν σε ένα καρέ συγκεντρώνονται σε έναν τελεστή υπεύθυνο για την δημιουργία της τροχιάς κάθε αντικειμένου που παρουσιάζεται στο βίντεο, με βάση την θέση του κέντρου του και την κλάση του. Όταν έχει ολοκληρωθεί η επεξεργασία όλων των καρέ ενός βίντεο, οι τελικές τροχιές ανακοινώνονται σε άλλο ένα Kafka topic. Η εφαρμογή εγκαταστάθηκε ως ένα Flink cluster πάνω από ένα Kubernetes cluster με τη βοήθεια του Flink Kubernetes Operator. Πραγματοποιώντας πειράματα σε ένα περιβάλλον με 7 μηχανές, παρατηρήσαμε ότι το προτεινόμενο σύστημα και έχει τη δυνατότητα κλιμάκωσης, και ξεπερνά σε απόδοση ένα μονολιθικό σύστημα, ενώ παράγει ακριβείς τροχιές για τα αντικείμενα των βίντεο. Πράγματι, η εφαρμογή στο Flink με παραλληλισμό 7 είναι έως 4.7 φορές πιο αποδοτική από την εφαρμογή στο Flink με παραλληλισμό 1, που προσομοιώνει ένα ολοκληρωμένο σειριακό σύστημα με ακριβή και ορθά ποιοτικά αποτελέσματα τροχιών αντικειμένων.

Abstract 
In this thesis, we present a distributed video processing system, built with Apache Flink and Apache Kafka, and deployed on the cloud using the Kubernetes orchestration platform. The system performs object detection using the YOLOv5 model and defines object trajectories for multiple streaming or batch video sources. The goal of implementing this system is to observe whether such a system is feasible on Apache Flink. Additionally, we aim to explore the performance, both in terms of theoretical expectations and practical benchmarks. Our focus will be on assessing the accuracy of the results and evaluating the speed of the system. Leveraging the distributed stream processing capabilities of Apache Flink and Apache Kafka as an intermediate message broker, this system uses the object detection model alongside simple computer vision algorithms for merging detections across blocks and centroid-based tracking to assign objects to trajectories. These are all implemented using the dataflow model that Flink provides. Hence, both the model and the algorithms are implemented within a Flink operator. In order to achieve the full utilization of the distributed architecture, each frame is split into fixed sized blocks, which are distributed and processed by a number of different Flink operators. Initially, the blocks are almost evenly distributed to multiple partitions of an input topic in Kafka. Then equal number of Flink pipelines consume the blocks in parallel. In the first stage, each block is processed by the YOLOv5 model, in order to extract the detected object data. This process results in the bounding box coordinates, centroid, class id and probability of each object detected in the blocks. Then, all detected components from blocks belonging to the same frame are grouped, and merged into frame-level objects. In the last stage of the pipeline, all objects from each frame are concentrated in an operator responsible for creating the trajectory of each object present in the video. When every frame of the video has been processed, the extracted trajectories are announced to another Kafka topic. The application is deployed as a Flink cluster on top of a Kubernetes one, using the Flink Kubernetes Operator. Experimenting in a 7 machine environment, we observed that the system both scales and outperforms a single machine monolith implementation, while providing accurate motion patterns for each video. In fact, the Flink application, configured with a parallelism setting of 7, attained a speedup of 4.7x compared to the Flink application with a parallelism setting of 1, which simulates a serial implementation with accurate trajectory extraction.

Meeting ID: 613 764 0471
Password: 582678

Timing analysis is a crucial verification method for the design and optimization of integrated circuits (ICs), serving as the cornerstone of the final signoff that determines whether a chip is ready for fabrication. Over the past few decades, the relentless push for high-performance and energy-efficient circuits has been driven by aggressive technology scaling, which enabled the integration of a vast number of devices on a single die but also introduced new challenges for timing analysis. In nanometer technologies, highly resistive interconnects have an increasing impact on timing, signals no longer resemble smooth saturated ramps, while gate-interconnect interdependencies are stronger. At the same time, manufacturing process variations have become significantly more pronounced, calling for sophisticated techniques to reduce uncertainty in timing estimation. In addition, higher operating frequencies and process-induced variations have increased the likelihood of Multiple Input Switching (MIS) effects, threatening timing integrity, energy efficiency, and overall circuit reliability. From another perspective, the timing guardbands enforced to protect circuits from variation-induced timing errors are often overly pessimistic, as they are estimated under rare worst-case conditions, leaving extensive dynamic timing margins unexploited. This talk presents recent methodologies and machine learning techniques for accurate and efficient timing analysis in advanced technology nodes, addressing key aspects such as standard cell characterization, gate and interconnect timing estimation, timing analysis under process variation, and dynamic timing analysis.

About the Speaker

Dimitrios Garyfallou is a Postdoctoral Researcher and Adjunct Lecturer at the Department of Electrical and Computer Engineering of the University of Thessaly, Greece. He received his Diploma, M.Sc., and Ph.D. from the same department in 2014, 2015, and 2021, respectively. His research focuses on algorithms and machine learning techniques for electronic design automation (EDA), with emphasis on timing and power analysis, circuit reliability, and large-scale simulation. He was a Research Assistant at the Center for Research and Technology - Hellas (CERTH) in 2015 and a Visiting Research Associate at Queen’s University Belfast, U.K., in 2017 and 2019. Dimitrios has authored over 27 articles in international journals and conferences, received two best paper award nominations, served on technical and organizing committees of international conferences, and reviewed for leading journals. He has participated in 15 EU, national, and industry-funded research projects and founded an EDA startup. Dr. Garyfallou has received M.Sc. and Ph.D. fellowships from the Center of Research, Innovation, and Excellence (CRIE) of the University of Thessaly, the HiPEAC collaboration grant in 2017, and the first place-award in the ACM TAU 2020 and 2021 timing analysis ontests.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Αντωνίου Καραβιτάκη

με θέμα
Εφαρμογές Μηχανικής Μάθησης σε Διάγνωση Σφαλμάτων Ηλεκτρικών Μηχανών
Machine Learning Applications in Electrical Machines Fault Diagnosis

Εξεταστική Επιτροπή
Καθηγητής Κωνσταντίνος Γυφτάκης (επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης
Καθηγητής Βασίλειος Διγαλάκης

Περίληψη
Η έγκαιρη και αξιόπιστη διάγνωση σφαλμάτων σε ηλεκτρικές μηχανές είναι καθοριστικής σημασίας για τη βελτίωση της λειτουργικής ασφάλειας, τη μείωση του χρόνου εκτός λειτουργίας και την υλοποίηση προγνωστικής συντήρησης. Οι παραδοσιακές διαγνωστικές προσεγγίσεις συνήθως διαχωρίζουν την εξαγωγή χαρακτηριστικών από την ταξινόμηση, βασιζόμενες σε χειροποίητους ηλεκτρικούς ή μηχανικούς δείκτες, οι οποίοι συχνά είναι υποβέλτιστοι και υπολογιστικά απαιτητικοί. Η παρούσα εργασία προτείνει δύο διαγνωστικές προσεγγίσεις βασισμένες στη Μηχανική Μάθηση. Αρχικά, παρουσιάζεται μία αρχιτεκτονική νευρωνικού δικτύου για δυαδική ταξινόμηση σφαλμάτων, με στόχο την ανίχνευση σπασμένης μπάρας ρότορα. Επιπλέον, το κύριο αντικείμενο της εργασίας αποτελεί ένα σύστημα διάγνωσης σφαλμάτων σε πραγματικό χρόνο, βασισμένο σε ένα νευρωνικό δίκτυο σύντηξης δύο κλάδων, το οποίο μαθαίνει από κοινού διακριτές αναπαραστάσεις από ηλεκτρικές και μηχανικές μετρήσεις. Οι δύο κλάδοι λειτουργούν παράλληλα, καταγράφοντας συμπληρωματικές υπογραφές σφαλμάτων, και συνδυάζονται σε ένα ενιαίο επίπεδο απόφασης, το οποίο αντανακλά τις υποκείμενες φυσικές ευαισθησίες κάθε αισθητηριακής πηγής. Η πειραματική αξιολόγηση σε πραγματικά δεδομένα κινητήρα καταδεικνύει ότι η προτεινόμενη αρχιτεκτονική σύντηξης βελτιώνει τη σταθερότητα της ταξινόμησης υπό διαφορετικές συνθήκες λειτουργίας, διατηρώντας ταυτόχρονα χαμηλή υπολογιστική πολυπλοκότητα, κατάλληλη για διαδικτυακή παρακολούθηση.

Abstract 
Early and reliable fault diagnosis in electrical machines is essential for improving operational safety, reducing downtime, and enabling predictive maintenance. Traditional diagnostic pipelines typically separate feature extraction from classification, often relying on hand-crafted electrical or mechanical indicators that may be suboptimal and computationally demanding. This work proposes two machine learning–based diagnostic approaches. First, a neural network architecture is presented for binary fault classification, targeting the detection of broken rotor bar faults. Moreover, the main focus of this work, consists of a real-time fault diagnosis system based on a two-branch fusion neural network that jointly learns discriminative representations from electrical and mechanical measurements. The two branches operate in parallel, capturing complementary fault signatures, and are fused into a unified decision layer that reflects the underlying physical sensitivities of each sensing modality. Experimental evaluation on real motor data demonstrates that the proposed fusion architecture improves classification robustness across varying operating conditions, while maintaining low computational complexity suitable for online monitoring.

The structure and operation of modern power systems is constantly shifting to a more complex and decentralized paradigm, mainly due to the large-scale integration of distributed generation. Power converter-interfaced renewable energy sources (RES), storage units and other production units substitute the traditional synchronous generators. As a result, rotating inertia is reduced, and new fast response characteristics influence the grid dynamics. In addition, inputs coming from the power converter interfaces are introduced with nonlinear behaviors. In this frame, the classical synchronous machine-based linear modeling and regulation by applying simple feedback transfer functions are not adequate anymore for the dynamic analysis of power systems. To this end, a generalized nonlinear modeling approach identified as controlled-impedance-admittance-torque (CIAT), is presented that accurately represents both converter and full-scale electromechanical components and their dynamic interactions, leading into a holistic framework capable of verifying critical stability properties, regardless of changes in system topology or operating conditions. The unique structure of this formulation can also be extended to include fast synchronization dynamics, i.e. by phase-locked-loop (PLL) mechanisms, and also enables the design of advanced localized control schemes that achieve boundedness of critical system states or others that effectively enhance converter dynamic performance, all the while guaranteeing strong local or global stability properties. Finally, this approach is also presented in a context compatible with upper-level management designs and decision-making schemes for grid-forming converter-based power system layouts, highlighting its wide applicability.

About the Speaker

Dr. Panagiotis Papageorgiou received the B.S., M.S., and Ph.D. degrees in electrical and computer engineering from the Department of Electrical and Computer Engineering, University of Patras, Patras, Greece, in 2015, 2016, and 2021, respectively. He is currently a Research Associate with the Power Systems, Renewable and Distributed Generation Laboratory at the same department. His current research interests include modelling, control and stability analysis for a large class of nonlinear dynamic systems, with main emphasis on modern power grid layouts featuring large-scale integration of distributed generation. He has authored more than 40 papers in International scientific journals and conferences. He is a member of the IEEE Power & Energy and IEEE Industrial Electronics Societies and a member of the National Technical Chamber of Greece.

This lecture presents a coherent, interdisciplinary research agenda that bridges innovation in materials and devices with the operational realities of power systems. Advances in materials and interfaces, such as printed multifunctional energy harvesting materials (e.g. thermoelectric and hybrid PV-TEG architectures), and enhancements in the performance of energy harvesting materials and devices, are not considered as isolated device improvements, but as enablers of system-level performance, reliability, and cost reduction. By improving efficiency, stability, and ageing characteristics at the device scale, these technologies reduce the levelized cost of energy and enhance the predictability of distributed generation. The resulting shift transforms buildings and embedded structures from passive loads into active, controllable nodes within the distribution network. At the grid level, this evolution directly impacts voltage regulation, reverse power flows, protection coordination, and planning margins across generation, transmission, and, most critically, the distribution systems. The lecture argues for a "device-aware" power-system paradigm, where physics-based models of performance and degradation inform network planning, operational strategies, and techno-economic assessments. Such a framework is particularly relevant for weak and islanded grids, including high-renewables regions such as Crete, where distributed energy resources must simultaneously support decarbonization and system resilience.

Overall, the proposed approach integrates materials science, power electronics, and power-system engineering into a unified device-to-grid methodology, positioning electric power networks as adaptive infrastructures capable of fully exploiting next-generation energy-harvesting technologies.

About the Speaker

Christos Mytafides holds a B.Eng. degree in Civil Engineering,a M.Sc. degree in Environmental Engineering, a M.Sc. degree in Materials Science and Engineering, and a Ph.D. degree in Materials Science and Engineering. Recently, he has been a postdoctoral researcher and an academic teaching associate with the School of Chemical and Environmental Engineering, Technical University of Crete, as well as a civil engineer / superintendent with the Institute of GeoEnergy, Foundation for Research and Technology - Hellas (FORTH), Chania.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Αθηναίου Λάμπρου

με θέμα
Σύστημα Στατιστικής Μάθησης Υπερφασματικών Δεδομένων Ιατροδικαστικής
Statistical Learning System for Forensic Hyperspectral Data

Εξεταστική Επιτροπή
Καθηγητής Κωνσταντίνος Μπάλας (επιβλέπων)
Επίκουρος Καθηγητής Νικόλαος Γιατράκος
Δρ Ναθαναήλ Κορτσαλιουδάκης

Περίληψη
Η μικροσκοπία αποτελεί ένα από τα κυριότερα εργαλεία στην επιστήμη της εγκληματολογίας και της ιατροδικαστικής ανάλυσης, καθώς επιτρέπει τη λεπτομερή εξέταση ιχνών και μικροσκοπικών δειγμάτων που εντοπίζονται και συλλέγονται από χώρους εγκλήματος. Μέσα από τη μικροσκοπική απεικόνιση είναι δυνατή η παρατήρηση χαρακτηριστικών που δεν είναι ορατά με γυμνό μάτι, όπως η μορφολογία, η υφή και η δομή υλικών που μπορούν να συμβάλλουν καθοριστικά στην εξιχνίαση εγκλημάτων, μέσω της ταυτοποίησης και κατηγοριοποίησης ιχνών. Στην εγκληματολογία, η ανάλυση ιχνών όπως σταγόνες αίματος, τρίχες, ίνες, γύρη και άλλα μικροσκοπικά υλικά αποτελούν θεμέλια για τη διερεύνηση υποθέσεων. Τα ίχνη αυτά συχνά αποτελούν κρίσιμα αποδεικτικά στοιχεία, καθώς μπορούν να συνδέσουν ένα άτομο, ένα αντικείμενο ή έναν χώρο με ένα εγκληματικό γεγονός. Για το λόγο αυτό η ακρίβεια και η αξιοπιστία της ανάλυσης των ιχνών αυτών είναι άκρως απαραίτητο να έχουν διασφαλιστεί με τα κατάλληλα εργαλεία, μέσα και ειδικούς.
Η σύγχρονη μικροσκοπία δεν περιορίζεται μόνο σε μια τεχνική απεικόνισης. Αντίθετα, χρησιμοποιούνται τεχνολογίες αιχμής και διαφορετικές απεικονίσεις όπως φθορισμός, πόλωση, ανάκλαση, μετάδοση -καθεμία από τις οποίες επιλέγεται, κατά περίπτωση, για την ανάδειξη φυσικών και χημικών ιδιοτήτων του ίδιου υπό ανάλυση δείγματος. Μέσω των υπερφασματικών απεικονίσεων το ίδιο αντικείμενο μπορεί να αποτυπωθεί με πολλαπλούς τρόπους, προσφέροντας συμπληρωματική πληροφορία που είναι δύσκολο να εξαχθεί πλήρως με συμβατικές μεθόδους. Παραδοσιακά η ερμηνεία των μικροσκοπικών εικόνων βασίζεται στην εμπειρία και κρίση του ειδικού αναλυτή. Ωστόσο, η διαδικασία αυτή μπορεί να είναι χρονοβόρα, υποκειμενική και επιρρεπής σε ανθρώπινα σφάλματα, ειδικά όταν ο όγκος των δεδομένων είναι μεγάλος ή όταν οι διαφορές μεταξύ δειγμάτων έγκεινται σε λεπτομέρειες. Για το λόγο αυτό τα τελευταία χρόνια παρατηρείται αυξανόμενο ενδιαφέρον για την αξιοποίηση αυτοματοποιημένων μεθόδων ανάλυσης που μπορούν να υποστηρίξουν ή ακόμη να ενισχύσουν το έργο ενός ειδικού. Στο πλαίσιο αυτό, τα συστήματα Μηχανικής Μάθησης (Machine Learning) έχουν αναδειχθεί ως ισχυρά εργαλεία για την ανάλυση και την επεξεργασία μεγάλου όγκου δεδομένων. Ιδιαίτερα στον τομέα ανάλυσης εικόνων τα συνελικτικά νευρωνικά δίκτυα (CNN, Convolutional Neural Networks) έχουν αποδειχθεί αξιόπιστα εργαλεία, αφού μπορούν να μαθαίνουν αυτόματα, διακριτικά χαρακτηριστικά απευθείας από δεδομένα χωρίς την ανάγκη χειροκίνητης εξαγωγής τους. Η χρήση τεχνολογιών αιχμής όπως η Μηχανική Μάθηση στην εγκληματολογική ανάλυση επιτρέπει την ανάπτυξη συστημάτων που μπορούν να εντοπίζουν πρότυπα, να διακρίνουν μεταξύ διαφορετικών κατηγοριών δεδομένων και να παρέχουν αντικειμενικά αποτελέσματα.
Η διπλωματική αυτή εργασία, συνδυάζοντας πληροφορίες από πολλαπλές τεχνικές υπερφασματικής απεικόνισης και μέσω χρήσης συστημάτων Μηχανικής Μάθησης, διερευνά πως μπορεί να βελτιώσει την απόδοση της ταξινόμησης εγκληματολογικών ιχνών και να αυτοματοποιήσει με αποτελεσματικότητα και ακρίβεια την εξαγωγή και ανάλυση τους στα εργαστήρια. Για τον σκοπό αυτό αναπτύχθηκε ένα σύστημα ταξινόμησης όπου, χρησιμοποιώντας ως βάση δεδομένων εικόνες με εγκληματολογικά ίχνη που καταγράφηκαν μέσω του μικροσκοπίου SMMART, εκπαιδεύει ξεχωριστά συνελικτικά νευρωνικά δίκτυα για την εξαγωγή χαρακτηριστικών, τα οποία στη συνέχεια εισάγονται σε ένα πλήρως συνδεδεμένο νευρωνικό δίκτυο (FCNN, Fully Connected Neural Network)  που πραγματοποιεί την τελική τους ταξινόμηση ανά κατηγορία δείγματος.
Η παρουσίαση αυτή στοχεύει στην εξοικείωση του κοινού με τις μεθόδους και τα μέσα που χρησιμοποιήθηκαν για την ανάπτυξη του προτεινόμενου συστήματος, τη διαδικασία εκπαίδευσης και αξιολόγησης των συνελικτικών μοντέλων, καθώς και να αναδείξει τα αποτελέσματα και τα συμπεράσματα που προκύπτουν από την πολυτροπική αυτή προσέγγιση.
    
Abstract
Microscopy constitutes one of the most fundamental tools in the fields of forensic science and forensic analysis, as it enables the detailed examination of traces and microscopic samples that are identified and collected from crime scenes. Through microscopic imaging, it becomes possible to observe characteristics that are not visible to the naked eye, such as morphology, texture, and material structure. These characteristics can contribute decisively to the investigation of criminal cases through the identification and classification of forensic traces.
In forensic science, the analysis of traces such as bloodstains, hairs, fibers, pollen, and other microscopic materials forms a cornerstone of investigative procedures. Such traces often represent critical pieces of evidence, as they may establish a connection between an individual, an object, or a location and a criminal event. For this reason, ensuring the accuracy and reliability of trace analysis is of paramount importance and must be supported by appropriate tools, methodologies, and expert knowledge.
Modern forensic microscopy is not limited to a single imaging technique. On the contrary, advanced technologies and multiple hyperspectral imaging modalities are applied, including fluorescence, polarization, reflectance, and transmission imaging. Each modality is selected according to the case at hand and is capable of highlighting different physical or chemical properties of the same sample. By utilizing multiple imaging techniques, the same object can be visualized in several distinct ways, providing complementary information that is difficult to extract using conventional approaches. Traditionally, the interpretation of microscopic images relies heavily on the experience and judgment of the forensic analyst. However, this process can be not only time-consuming, but also subjective and prone to human error, particularly when dealing with large volumes of data, or when the differences between samples are minor. As a result, there has been an increasing interest in recent years in automated analytical methods that can support or enhance the work of forensic experts. In this context, Machine Learning systems have emerged as powerful tools for the analysis and processing of large-scale data. In particular, in the domain of image analysis, Convolutional Neural Networks (CNNs) have demonstrated remarkable effectiveness, as they are capable of learning discriminative features directly from data without the need for manual feature extraction. The application of Machine Learning techniques in forensic analysis enables the development of systems that can detect patterns, distinguish between different categories of data and provide objective results.
This undergraduate thesis builds upon this framework and aims to investigate how the combination of information from multiple hyperspectral imaging modalities, when combined with Machine Learning techniques, can improve the performance of forensic trace classification and enhance the automation of trace analysis in laboratory environments. To this end, a statistical classification system was developed using a dataset of forensic trace images acquired through the SMMART microscope. Separate Convolutional Neural Networks were trained for feature extraction from each imaging modality and the extracted features were subsequently fed into a Fully Connected Neural Network (FCNN), which performs the final classification of the samples into their respective categories.
This presentation aims to familiarize the audience with the methods and tools applied in the development of the proposed system, the process of training and evaluating the convolutional models, as well as to highlight the results and conclusions derived from this multimodal analytical approach.

Modern Electric Power Systems (EPS) are being transformed at an incredible pace, as the integration of renewable resources, flexible loads and distributed resources continues to increase the uncertainty and complexity of operating such systems. As the infrastructure of EPS has remained relatively stable, the way that they are operated, planned and decisions made about them is changing dramatically. This presentation explores the operation and planning of EPS within the context of increasing uncertainty and complexity with an emphasis on system level modeling, optimization, and data driven decision support. The research trajectory presented in this paper spans from building real scale systems and ports/industrial applications, to small islands/weak grid configurations, to large-scale integrated energy systems, each studied under the same principles of power system operations as applied to the real world. In addition to forecasting and optimization techniques, multi-criteria decision making methodologies have been developed across the trajectory to provide operational support while respecting both the physical limitations of the EPS as well as the temporal limitations and reliability constraints of such systems. Additionally, data-driven methodologies have been developed to improve predictive accuracy, to enable the exploration of alternative scenarios, and to improve the transparency of decisions made regarding the operation of EPS, without diminishing the importance of physics-based power system models. Concluding, the presentation will provide an overview of the scientific contributions made to date and will outline the foundational elements necessary for initiating a new research cycle focused on developing operational intelligence, flexibility and decision support for EPS engineers and researchers working in today's evolving power system environment.

About the Speaker

Nikolaos Sifakis is an academic researcher working on the operation and planning of Electric Power Systems (EPS), with emphasis on system-level modeling, flexibility, and data-driven decision support under high renewable penetration. His research focuses on how power systems operate under uncertainty across different temporal and spatial scales, integrating forecasting, optimization, and decision-support methodologies within real-world operational constraints. He has been actively involved in numerous European research and innovation projects, contributing as a technical researcher and project manager to topics including renewable integration, hybrid energy systems, energy management systems, cold ironing, and flexibility-oriented power system operation. His work spans a wide range of application domains, including buildings, ports, islanded grids, and distributed energy systems. His academic activities combine applied research, participation in European projects, and teaching-related contributions, with a strong emphasis on linking foundational power system concepts to contemporary operational challenges. His research agenda is firmly rooted in EPS, addressing their evolving operational requirements in the context of the energy transition.

Moving towards carbon neutrality requires gradually transforming the technological, regulatory and fuel landscape of the energy system. The power sector is expected to grow significantly, as low carbon electricity -primarily from renewable and nuclear sources- is likely to supply an increasing share of end-use demand across all sectors (industry, buildings, transport). In addition, several parts of the energy sector are difficult to decarbonize without the use of electrofuels which are produced using electricity.  The transformation of the power sector faces numerous challenges. Integrating high shares of solar and wind power makes the process of balancing electricity supply and demand more challenging. Addressing this challenge requires enhancing flexibility across regulatory, operational and technical dimensions (including flexibility in all generation, transmission/distribution, demand, electricity storage, Power to X). At the same time, reliability must be maintained in power systems dominated by inverter-based, low-inertia technologies. Early planning is key to achieving the transition at minimal cost. A variety of analytical methodologies and tools/models have traditionally been used to simulate power system operations, optimize investments on generation and transmission and ensure system reliability. More recently, research has advanced toward integrated modelling approaches where decisions in the power sector are analyzed/optimized through soft linking different type of models - such as macro-economic models, least-cost optimization models, and grid analysis tools – while accounting for emerging technologies like electricity storage, electrolyzers and electric vehicles. This presentation discusses key modelling approaches, important challenges and current research areas in the analysis of low carbon power systems.

About the Speaker

Thomas Nikolakakis is an engineer and expert on power systems planning. He has multi-year experience on modeling the different aspects of electricity generation and transmission and studying the role of the power sector as part of the wider energy sector, the energy transition and the economy. Contemporary topics of engagement include impacts of solar and wind integration on system operations, the impact of EV’s on the electricity load and related investments, and enhancing system flexibility (flexible generation, electricity storage, EVs, smart grids, regional integration, electrofuels etc). In different cases Thomas has worked closely with energy ministries and utilities and has done analysis on power systems from more than 20 countries and/or regions. Thomas has worked as a senior modeling expert with many international organizations including the World Bank (ESMAP), the International Atomic Energy Agency (IAEA), the International Renewable Energy Agency (IRENA) and the International Energy Agency (IEA). Since 2023, Thomas has also worked as senior researcher with the DSS lab of the NTUA where, under the Horizon project (DIAMOND), has supported the development of the electricity and heat modules of the EU-CLEWs model using OSEMOSYS. Thomas holds a PhD on energy systems modeling from Columbia University and a diploma in environmental engineering from the Technical University of Crete. 

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Κωνσταντίνου Καββάδη

με θέμα
Μελέτη της Κατανομής Καθυστερήσεων των Πακέτων σε Πρωτόκολλα Τυχαίας Προσπέλασης με Ελεγχόμενη Πρώτη Πρόσβαση των Πακέτων στο Κανάλι
Evaluation of Packet Delay Distribution in Blocked Random Access Channel Protocols

Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Πατεράκης (επιβλέπων)
Καθηγητής Αθανάσιος Λιάβας
Καθηγητής Θρασύβουλος Σπυρόπουλος

Περίληψη
Τα πρωτόκολλα πολλαπλής πρόσβασης είναι κατανεμημένοι αλγόριθμοι, οι οποίοι επιτρέπουν σε ένα σύνολο από γεωγραφικά διασκορπισμένους κόμβους, καθένας εκ των οποίων έχει μια ουρά πακέτων προς μετάδοση, να επικοινωνήσουν χρησιμοποιώντας ένα κοινό κανάλι εκπομπής.
 Ως αλγόριθμος επίλυσης συγκρούσεων (collision resolution algorithm, CRA) ορίζεται ένας αλγόριθμος  που οργανώνει την επαναμετάδοση των πακέτων που συγκρούονται με τέτοιο τρόπο ώστε κάθε πακέτο να μεταδίδεται τελικά με επιτυχία με πεπερασμένη καθυστέρηση.
 Στόχος της διπλωματικής εργασίας είναι η μελέτη δύο αντιπροσωπευτικών αλγορίθμων τυχαίας πολλαπλής πρόσβασης με ελεγχόμενη πρώτη πρόσβαση των πακέτων στο κανάλι (blocked random access), προκειμένου να προκύψουν χρήσιμα συμπεράσματα σχετικά με την αποδοτικότητα της λειτουργίας τους. 
 Τα πρωτόκολλα  που αναλύθηκαν και προσομοιώθηκαν είναι ο αλγόριθμος Δυαδικού Δένδρου και ο αλγόριθμος First-Come First-Serve. Και οι δύο επιτυγχάνουν ευσταθή λειτουργία, υψηλά throughputs και χαμηλές μέσες καθυστερήσεις πακέτων. Παρουσιάζονται οι βελτιώσεις των δύο αλγορίθμων με τις οποίες αυξάνεται η απόδοση τους και τα αποτελέσματα της προσομοίωσης  τους για διάφορες τιμές του Poisson συνολικού ρυθμού άφιξης πακέτων στο σύστημα, λ, έως και πολύ κοντά  στο μέγιστο throughput του κάθε αλγορίθμου. 
Η σύγκριση της απόδοσης των αλγορίθμων βασίζεται στο μέγιστο throughput κάθε πρωτοκόλλου και στην συμπεριφορά 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 αλγορίθμων υλοποιήθηκε στο περιβάλλον της MATLAB.

Abstract 

Multiple access protocols are distributed algorithms that enable a set of geographically dispersed nodes, each maintaining a queue of packets for transmission, to communicate over a shared broadcast channel. 
A collision resolution algorithm (CRA) is defined as an algorithm that organizes the retransmission of colliding packets in such a way that each packet is eventually transmitted successfully within a finite delay.
The objective of this thesis is the analysis of two representative blocked random-access algorithms, in order to derive useful conclusions regarding their operational efficiency.
The protocols analyzed and simulated are the Binary Tree algorithm and the First-Come First-Serve algorithm. Both achieve stable operation, high throughput, and low average packet delays. Improvements to both algorithms that enhance their performance are presented, along with simulation results for various values of the total Poisson packet arrival rate to the system, λ, up to values very close to the maximum throughput of each algorithm.
The performance comparison of the algorithms is based on their maximum throughput and on the behavior of both the mean value and the cumulative distribution function of packet delay as a function of the total packet arrival rate to the system, λ. The simulation of the algorithms was implemented in the MATLAB environment.

ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ

Δημητρίου Μπανέλα

με θέμα
Βελτιστοποιημένη Κατανεμημένη Αναλυτική Επεξεργασία κατά Μήκος του Υπολογιστικού Συνεχούς από το Νέφος στα Άκρα

Optimized Distributed Analytics as a Service Across the Cloud to the Edge Continuum

Εξεταστική Επιτροπή
Επίκουρος Καθηγητής Νικόλαος Γιατράκος (επιβλέπων)
Καθηγητής Αντώνιος Δεληγιαννάκης
Δρ. Αλκιβιάδης Σιμιτσής (Ερευνητικό Κέντρο Αθηνά)

Περίληψη
Η εκτέλεση ροών εργασίας (workflows) ανάλυσης ροών δεδομένων σε µμεγάλης κλίµακας υποδομές IoT παρουσιάζει µοναδικές προκλήσεις. Η κεντρική συλλογή δεδοµένων εξαντλεί το διαθέσιμο εύρος ζώνης και αφήνει ανεκµετάλλευτους τους πόρους των συσκευών IoT. Επομένως, η εκτέλεση των ροών εργασίας πρέπει να πραγµατοποιείται εντός του ίδιου του δικτύου, αναθέτοντας την εκτέλεση των τελεστών των ροών σε συσκευές στο φάσµα από το cloud έως το edge. Ωστόσο, η τεράστια κλίµακα των συσκευών οδηγεί σε εκθετικό αριθµό πιθανών συνδυασμών αντιστοίχισης τελεστών σε συσκευές.
Επιπλέον, οι ροές εργασίας εκτελούνται σε δυναµικά περιβάλλοντα, όπου οι ευµετάβλητες κατανοµές των ροών δεδοµένων και οι µεταβολές στη διαθεσιµότητα των συσκευών µπορεί να καταστήσουν ένα πλάνο εκτέλεσης αναποτελεσµατικό. Συνεπώς, οι ταχείες αποφάσεις προσαρµογής είναι κρίσιµες. Για την αντιµετώπιση αυτών των προκλήσεων, παρουσιάζουµε το APEROL, την πρώτη σουίτα παράλληλων αλγορίθµων βελτιστοποίησης για έγκαιρη και αποδοτική εκτέλεση ροών εργασίας σε περιβάλλοντα IoT. Το APEROL εισάγει µια νέα προσέγγιση στην µοντελοποίηση του χώρου αναζήτησης, σε συνδυασµό µε ένα σχήµα απαρίθµησης πλάνων εκτέλεσης βασισµένο σε υπογραφές, που επιτρέπουν επεκτάσιµη ϰαι παράλληλη εξερεύνηση πλάνων. Η σουίτα περιλαμβάνει εξαντλητικούς, ευρετικούς, άπληστους και τυχαίας δειγματοληψίας αλγορίθμους, οι οποίοι είναι συµπληρωµατικοί ως προς το συμβιβασμό ταχύτητας εκτέλεσης του αλγορίθμου έναντι ποιότητας πλάνου, ανάλογα µε το εκάστοτε περιβάλλον. Η τρέχουσα υλοποίηση εξετάζει έως και 2 εκατοµµύρια υποψήφια πλάνα ανά δευτερόλεπτο σε συμβατικά υπολογιστικά συστήματα. Πειράματα µε 5 απαιτητικές ροές εργασίας από 2 benchmarks ροών, σε πραγματικά και προσομοιωμένα δίκτυα από δεκάδες έως και χιλιάδες κόµβους, αποδεικνύουν την αποτελεσματικότητα και την ταχύτητα του APEROL.

Abstract
The execution of streaming analytics workflows across large-scale IoT infrastructures poses unique challenges, due to the nature of the streaming workloads, whose distributions are extremely volatile and geo-distributed. Central data collection depletes the available bandwidth and leaves IoT device resources unutilized. Therefore, workflow execution should be performed in-network, assigning workflow operator execution on devices across the cloud-to-edge continuum. However, the vast scale of
devices results in an exponential number of possible combinations of workflow operator assignments. On top of that, workflows are executed in dynamic environments where volatile data stream distributions and device churn may render a deployed plan inefficient and, therefore, rapid adaptation decisions are crucial. To address these challenges, we present APEROL, the first suite of parallel optimization algorithms for timely and efficient workflow execution in IoT environments. APEROL introduces a novel conceptualization of the optimization search space, coupled with a signature-based
execution plan enumeration scheme, that enables scalable, parallel plan exploration.
The suite includes exhaustive, heuristic, greedy, and random sampling algorithms, which are complementary in algorithm speed vs. plan quality trade-offs under different setups. The current implementation examines up to 2M candidate plans per second on commodity hardware. Experiments with 5 challenging workflows from 2 streaming benchmarks, over real and simulated networks ranging from 10s to 1000s of sites show APEROL’s effectiveness and timeliness.

Meeting ID: 968 5292 5894
Password: 001169

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Αγγελικής Παπαδάκη

με θέμα
Κλιμακώσιμη Εξόρυξη Σημασιολογικών Τροχιών για Αναγνώριση Πολύπλοκων Γεγονότων επί Ροών Δεδομένων Κίνησης
Scalable Semantic Trajectory Extraction for Simple Event Detection over Streaming Movement Data

Εξεταστική Επιτροπή
Επίκουρος Καθηγητής Νικόλαος Γιατράκος (επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς

Περίληψη
Η Πρόβλεψη Απλών Γεγονότων αποτελεί το πρώτο βήμα για τη μετατροπή παρατηρησιακών, ακατέργαστων ροών δεδομένων σε συμβολική γνώση. Στη συνέχεια, τα συστήματα Αναγνώρισης Πολύπλοκων Γεγονότων παρακολουθούν συλλογές από Απλά Γεγονότα με σκοπό την ανίχνευση συγκεκριμένων, σύνθετων μοτίβων από τις εισερχόμενες ροές, υποστηρίζοντας την άμεση ή προληπτική λήψη αποφάσεων. Ωστόσο, πριν από την Αναγνώριση Πολύπλοκων Γεγονότων, είναι απαραίτητο τα Απλά Γεγονότα να έχουν αναγνωριστεί σωστά. Ενώ το μεγαλύτερο μέρος της υπάρχουσας βιβλιογραφίας επικεντρώνεται στον ορισμό των Απλών Γεγονότων μέσω αυστηρών κανόνων που παρέχονται από ειδικούς του πεδίου, η χρήση νευρωνικών δικτύων για την εκμάθηση του τρόπου με τον οποίο οι ακατέργαστες ροές δεδομένων πρέπει να προβλέπονται ως Απλά Γεγονότα αποδεικνύεται πολύ πιο ευέλικτη και αξιόπιστη σε σύνθετα περιβάλλοντα. Με γνώμονα αυτή την παρατήρηση, η παρούσα εργασία αναπτύσσει την αρχιτεκτονική SSTRESED, η οποία λαμβάνει ροές χωρο-χρονικών δεδομένων και τις επεξεργάζεται σε πραγματικό χρόνο για την πρόβλεψη χρονικά εκτεινόμενων Απλών Γεγονότων. Το SSTRESED εκτελεί εκπαίδευση και πρόβλεψη παράλληλα, έτσι ώστε ένα εκπαιδευμένο νευρωνικό μοντέλο να ενημερώνεται συνεχώς και, ταυτόχρονα, το μοντέλο της πρόβλεψης να λαμβάνει τα νέα βάρη του νευρωνικού δικτύου, προκειμένου να προβλέπει τα Απλά Γεγονότα με μεγαλύτερη ακρίβεια, βάσει του πλέον πρόσφατου μοντέλου. Επιπλέον, στο κομμάτι της πρόβλεψης, τα εισερχόμενα δεδομένα οργανώνονται αρχικά σε τμήματα ομοιογενών κινήσεων, αξιοποιώντας ιδέες από μεθόδους Εξόρυξης Σημασιολογικών Τροχιών. Στη συνέχεια, αυτά τα ομοιογενή τμήματα δίνονται για πρόβλεψη ως ατομικές μονάδες. Όπως δείχνουμε, αυτή η προσέγγιση, που συνδυάζει την Εξόρυξη Σημασιολογικών Τροχιών με την Πρόβλεψη Απλών Γεγονώτων, ενισχύει την ακρίβεια πρόβλεψης, καθώς προκαθορίζει τη χρονική διάρκεια κατά την οποία η κίνηση παραμένει ομοιογενής, ομαδοποιώντας τα δεδομένα σε συνεκτικά τμήματα πριν από την πρόβλεψη. Για λόγους κλιμάκωσης σε μεγάλες χωρο-χρονικές ροές δεδομένων, υιοθετούμε κατανεμημένη/παράλληλη εκτέλεση. Συγκεκριμένα, πολλαπλά πανομοιότυπα στιγμιότυπα νευρωνικών δικτύων εκπαιδεύονται, συγχρονίζονται και στέλνονται σε παράλληλες μονάδες εκπαίδευσης και πρόβλεψης, καθώς και τμηματοποίησης. Τα πειραματικά αποτελέσματα δείχνουν ότι ο παραλληλισμός μειώνει σημαντικά τον χρόνο εκπαίδευσης και αυξάνει τη διεκπεραιωτικότητα του συστήματος, ενώ η χρήση συνεχώς ενημερωμένων βαρών στο μοντέλο, παρέχει υψηλή ακρίβεια πρόβλεψης κατά τη λειτουργία σε πραγματικό χρόνο. Η απόδοση ενισχύεται περαιτέρω μέσω της Εξόρυξης Σημασιολογικών Τροχιών, η οποία παρέχει αξιόπιστα και ουσιαστικά τμήματα τροχιών μέσω της ροής του κομματιού της πρόβλεψης.

Abstract 
The identification of Simple Derived Events (SDEs) is the first step for transforming perceptual, raw streams into symbolic knowledge. Then, Complex Event Recognition (CER) systems, monitor collections of SDEs for detecting specific, complex patterns on the ingested streams for supporting reactive or proactive decision making procedures. But before CER, one must make sure SDEs are correctly identified. While most existing work focuses on defining SDEs using crisp rules provided by domain experts, using neural networks to learn how raw streams should be labeled as SDEs is way more flexible and reliable in complex environments. Motivated by this observation, this thesis develops the SSTRESED architecture which receives streaming spatiotemporal data points and processes them in a real-time manner to detect durative SDEs. SSTRESED operates training and inference on par with one another, so that a trained neural model is continuously updated and, at the very same time, inference receives the new weights of the neural network to more accurately label SDEs based on the most fresh such model. Moreover, on the inference path, incoming data are first organized into segments of homogeneous movement, by borrowing ideas from semantic trajectory segmentation concepts. Then, these homogeneous segments are labeled as atomic units. As we show, this approach of combining semantic trajectory extraction with SDE labeling boosts SDE detection accuracy because it pre-determines how long the movement remains homogeneous and groups records accordingly into coherent SDE segments before attributing labels. For scalability purposes over Big spatiotemporal Streams, distributed/parallel execution is fostered. That is, multiple identical neural network instances are trained, synchronized and deployed in parallel learners and predictors/taggers, along with parallel segmentors. Experimental results show that parallelization significantly reduces training time and increases prediction throughput, while the use of continuously updated model weights enables high prediction accuracy during real-time operation. The performance is enhanced by semantic trajectory extraction, which delivers reliable and meaningful trajectory segments out of the inference pipeline.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Κωνσταντίνου Ρεβύθη

με θέμα

Οπτικοποίηση Δεδομένων Ροής στο Jupyter-Lab 
Visualization of Streaming Data on JupyterLab

Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς (επιβλέπων)
Καθηγητής Αντώνιος Δεληγιαννάκης 
Καθηγητής Μίνως Γαροφαλάκης 

Περίληψη
Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός εργαλείου για την οπτικοποίηση ροών δεδομένων πραγματικού χρόνου (real-time data stream visualization) εντός του περιβάλλοντος JupyterLab. Σχεδιασμένο για απόδοση χαμηλής καθυστέρησης (low-latency), το εργαλείο διευκολύνει την άμεση οπτικοποίηση εισερχόμενων ροών δεδομένων, ενώ υποστηρίζει αξιόπιστες συνδέσεις με απομακρυσμένες, συνεχείς διεργασίες μέσω Kafka. Επιπλέον, παρέχει στους χρήστες τη δυνατότητα να εκτελούν ερωτήματα και να προβαίνουν σε συνάθροιση (aggregation) των οπτικοποιημένων δεδομένων διαδραστικά, χωρίς να διαταράσσεται η ενεργή ροή.
Για την επίτευξη του σκοπού αυτού, η έρευνα εντοπίζει και επεκτείνει λύσεις αιχμής (state-of-the-art) για την οπτικοποίηση ροών δεδομένων στο JupyterLab. Ως θεμελιώδες πλαίσιο επιλέχθηκε το TensorWatch, ένα εργαλείο αποσφαλμάτωσης και οπτικοποίησης σχεδιασμένο για την επιστήμη δεδομένων. Βασιζόμενη σε αυτό το θεμέλιο, η εργασία εστιάζει στη βελτίωση της ευχρηστίας και στην εισαγωγή νέων λειτουργιών που επιτρέπουν στους χρήστες να ενσωματώνουν, να οπτικοποιούν και να αλληλεπιδρούν εύκολα με δεδομένα από ποικίλες πηγές και μορφές.
Η σημασία της παρούσας εργασίας έγκειται στη δημιουργία ενός συστήματος που απλοποιεί την εξερεύνηση και την παρακολούθηση δεδομένων σε πραγματικό χρόνο. Μέσω της παροχής άμεσης οπτικής ανάδρασης, οι χρήστες είναι σε θέση να κατανοούν καλύτερα τα δεδομένα τους και να λαμβάνουν τεκμηριωμένες αποφάσεις πιο αποδοτικά. Δεδομένου ότι τα δεδομένα ροής έχουν συχνά βραχύβια αξία, η ικανότητα ταχείας οπτικοποίησης και ανάλυσής τους είναι καθοριστικής σημασίας για τη μεγιστοποίηση της χρησιμότητάς τους.
Λέξεις-κλειδιά: JupyterLab, Οπτικοποίηση, Tensorwatch, Kafka, Matplotlib, Ροή Δεδομένων, Ανάλυση Δεδομένων, Μεγάλα Δεδομένα, Python3

Abstract 
The aim of this thesis is to develop a tool for real-time data stream visualization within the JupyterLab environment. Engineered for low-latency performance, the tool facilitates the immediate visualization of incoming data streams, while supporting robust connections to remote continuous processes via Kafka. Furthermore, it empowers users to interactively query and aggregate visualized data without disrupting the active stream. 
To achieve this, the research identifies and extends state-of-the-art solutions for data stream visualization in JupyterLab. TensorWatch, a debugging and visualization tool designed for data science, was selected as the foundational framework. Building on this foundation, the work focuses on enhancing usability and introducing new features that enable users to easily integrate, visualize, and interact with data from various sources and
formats.
The significance of this work lies in creating a system that simplifies real-time data exploration and monitoring. By providing immediate visual feedback, users can better understand their data and make informed decisions more efficiently. Since streaming data often has short-lived value, the ability to visualize and analyze it quickly is crucial for maximizing its usefulness.
Keywords: JupyterLab, Visualization, Tensorwatch, Kafka, Matplotlib, Streaming, Data-analyses, Big-data, Python3

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Κωνσταντίνου Μπέκου

με θέμα
Ανάλυση Γκαουσσιανών Στοχαστικών Διαδικασιών με Περιοδικούς Πυρήνες
Analysis of Gaussian Processes with Periodic Kernels

Εξεταστική Επιτροπή
Καθηγητής Διονύσιος Χριστόπουλος (επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης
Καθηγητής Αθανάσιος Λιάβας

Περίληψη
Η παρούσα Διπλωματική Εργασία ασχολείται με την επίλυση ενός προβλήματος Ανάλυσης Χρονοσειράς (Time Series Analysis), στα πλαίσια της Μηχανικής Μάθησης με Επίβλεψη (Supervised Machine Learning), εφαρμόζοντας Παλινδρόμηση Γκαουσσιανών Διαδικασιών (Gaussian Process Regression), με χρήση πυρήνων (kernels) με περιοδικές συνιστώσες. Η χρονοσειρά που αποτελεί το σύνολο δεδομένων αυτής της εφαρμογής είναι οι μηνιαίοι μέσοι όροι των ημερήσιων μετρήσεων του πλήθους των ηλιακών κηλίδων (sunspots). Πρόκειται για ένα από τα πιο χαρακτηριστικά φαινόμενα της ηλιακής δραστηριότητας, το οποίο παρατηρείται και καταγράφεται για περισσότερο από δύο αιώνες. Η χρονοσειρά παρουσιάζει συμπεριφορά που επαναλαμβάνεται κάθε έντεκα (11) περίπου έτη.
Η μέθοδος Παλινδρόμησης Γκαουσσιανών Διαδικασιών που εφαρμόζουμε, επιδιώκει εκτός από ακριβείς σημειακές προβλέψεις —όπως όλα τα μοντέλα παλινδρόμησης— να υπολογίσει και αντίστοιχα διαστήματα πρόβλεψης (prediction intervals). Τα διαστήματα αυτά αντιπροσωπεύουν ένα εύρος τιμών, το οποίο αναμένεται να περιέχει την πραγματική τιμή της διαδικασίας, με κάποια προκαθορισμένη πιθανότητα. Οι Γκαουσσιανές διαδικασίες αξιοποιούν την υπάρχουσα γνώση σχετικά με τη συμπεριφορά των δεδομένων και τις μεταξύ τους συσχετίσεις, ώστε να συμπληρώσουν αυτήν την πληροφορία σε ενδιάμεσες και μελλοντικές χρονικές στιγμές, επιτυγχάνοντας έτσι καλύτερη προσέγγιση της συνάρτησης στόχου. Ο καθορισμός των συσχετίσεων, μεταξύ τιμών της μοντελοποιούμενης συνάρτησης, επιτελείται με την βοήθεια της συνάρτησης πυρήνα. Αυτή αποτελεί την κεντρική «μηχανή» στο εκπαιδευόμενο μοντέλο. Κατάλληλοι πυρήνες πρέπει να έχουν ιδιότητες συμβατές με τη συνάρτηση που μοντελοποιείται. Σε αυτήν την εργασία εξετάζονται ευρέως χρησιμοποιούμενοι πυρήνες με περιοδικά χαρακτηριστικά καθώς και ένας πυρήνας βασισμένος στο μοντέλο του στοχαστικού ταλαντωτή (Brownian oscillator). Ο πυρήνας αυτός αποτελείται από ημιτονοειδείς συναρτήσεις με εκθετικά μειούμενο πλάτος. Η προσαρμογή των ελεύθερων παραμέτρων των πυρήνων στα δεδομένα πραγματοποιείται με τη μέθοδο εκτίμησης μέγιστης πιθανοφάνειας (Maximum Likelihood Estimation), καθώς και με δύο άλλες καινοτόμες μεθόδους που αξιοποιούν τη δειγματική συνάρτηση αυτοσυσχέτισης (sample autocorrelation function) των δεδομένων εκπαίδευσης.
Εν συντομία, τα μοντέλα που εξετάσθηκαν στα πλαίσια αυτής της εργασίας, αντικατοπτρίζουν αποτελεσματικά τις απότομες μεταβολές (σε μικρές χρονικές αποστάσεις) και τις περιοδικές συσχετίσεις (για γειτονικούς Ηλιακούς Κύκλους) των τιμών της χρονοσειράς. Επίσης, αποδεικνύονται ικανά να παράγουν ακριβείς προβλέψεις του πλήθους των ηλιακών κηλίδων σε χρονικό ορίζοντα μέχρι και πενήντα (50) μηνών. Οι προγνώσεις αυτές μπορούν να αξιοποιηθούν σε διάφορους τομείς που επηρεάζονται από την ηλιακή δραστηριότητα, όπως για παράδειγμα, στην πρόληψη προβλημάτων στις δορυφορικές επικοινωνίες και στις τηλεπικοινωνίες υψηλής συχνότητας.

Abstract 
This Diploma thesis deals with the solution of a Time Series Analysis problem, within the framework of Supervised Machine Learning, by applying Gaussian Process Regression, using kernels with periodic components. The dataset used in this application consists of the monthly averages of daily measurements of the number of sunspots. This is one of the most characteristic indicators of solar activity, which has been observed and recorded for more than two centuries, exhibiting a behavior that approximately repeats every eleven (11) years.
The Gaussian Process Regression method applied in this work aims, in addition to generating accurate point predictions to also compute corresponding prediction intervals. These intervals represent a range of values that is expected to contain the true value of the process with a predefined probability. Gaussian processes exploit existing knowledge about the behavior of the data and their mutual correlations in order to interpolate this information at intermediate and future time points, thereby achieving a better approximation of the target function. The specification of the correlations between values of the modeled function is accomplished through the kernel function, which constitutes the central “engine” of the trained model. Suitable kernels must possess properties compatible with the function being modeled. In this thesis, widely used kernels with periodic characteristics are examined, as well as a kernel based on the Brownian oscillator model. This kernel consists of sinusoidal functions with exponentially decaying amplitude. The fitting of the free parameters of the kernels to the data is performed using Maximum Likelihood Estimation, as well as two other innovative methods that exploit the sample autocorrelation function of the training data.
In summary, the models developed in the context of this work effectively capture —via their kernels— the short-time fluctuations (over small temporal scales) and the periodic correlations (across consecutive Solar Cycles) exhibited by the time series. Most importantly, they are shown to accurately predict the number of sunspots over a forecasting horizon of up to fifty (50) months. These forecasts can be utilized in various fields affected by solar activity, such as the prevention of problems in satellite communications and high-frequency telecommunications.

The Renaissance of Distributed Shared Memory Systems
 

Abstract

Distributed Shared Memory (DSM), a long-standing systems vision, is being revisited as emerging interconnects such as CXL offer low-latency, cache-coherent memory access across the nodes of a rack. This technological shift invites us to rethink core systems interfaces: how processes and state move across machines, how shared-memory applications scale in distributed settings, and how DSM systems remain resilient in the presence of faults. Progress will require advances in both software and hardware—and often their co-design. This talk highlights two recent developments along this path. CXLfork, a system-software mechanism, introduces a zero-serialization, near-zero-copy remote fork by checkpointing process state directly into shared CXL memory. It enables cluster-wide state deduplication, fine-grained state tiering, and near-local fork latency, unlocking rapid process scaling across the rack – essential for highly concurrent workloads such as serverless functions. At the hardware layer, PhasedStore addresses a fundamental vulnerability of cache-coherent DSM systems: resilience to node failures. In such systems, node crashes can silently lose dirty shared data buffered in private CPU caches. PhasedStore mitigates this risk by supporting high-performance write-through coherence protocols that ensure dirty data is propagated into a fault-tolerant domain, all while preserving the widely adopted Total Store Order (TSO) memory consistency model. Together, these developments outline a path toward practical, performant, and fault-tolerant distributed shared memory.
 

About the Speaker

Chloe Alverti received her Diploma in Electrical and Computer Engineering from the National Technical University of Athens in 2014 and her Ph.D. in Computer Engineering from the same institution in 2022.  From 2023 to 2025 she was a post-doctoral researcher at the CS department of the University of Illinois (Urbana-Champaign). Prior and during her PhD studies, she has held research positions at Chalmers University of Technology, the University of Wisconsin–Madison, and she also spent a year at ZeroPoint Technologies, an academic spin-off. Her research interests span operating systems, computer architecture and hardware–software co-design. Her core expertise lies in translating hardware technological shifts into system software innovations and for over a decade her work has centered on memory systems. She is a recipient of multiple HiPEAC and best paper awards, and her recent work on process “teleportation”’ over CXL fabrics received the Best Paper Award at ASPLOS 2025.

«Career Paths & Innovation at the World’s Largest Consumer Goods Company»

📅Τετάρτη 10 Δεκεμβρίου 2025
⏰Ώρα: 13:00

Διαδικτυακά μέσω zoom

Η εκδήλωση απευθύνεται κυρίως σε φοιτητές και αποφοίτους του Πολυτεχνείου Κρήτης, καθώς και σε φοιτητές μεταπτυχιακών προγραμμάτων σπουδών που επιθυμούν να αναπτύξουν τις εργασιακές τους δεξιότητες και να ενημερωθούν για σύγχρονες ευκαιρίες στην αγορά εργασίας.

https://forms.gle/sRGtv39LZJie7uig7

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ιωάννη Τασιόπουλου

με θέμα
Υλοποίηση Συνόψεων Χωρικών Ροών Δεδομένων στο Apache Flink
Implementing Synopses for Summarizing Spatial Data Streams at Apache Flink

Εξεταστική Επιτροπή
Καθηγητής Αντώνιος Δεληγιαννάκης (επιβλέπων)
Καθηγητής Μίνως Γαροφαλάκης
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς

Περίληψη
Σε έναν κόσμο όπου τα δεδομένα είναι διαθέσιμα σε ολοένα αυξανόμενη ποσότητα και ταχύτητα, η επεξεργασία και ανάλυση τους είναι μείζονος σημασίας. Αυτό είναι απαραίτητο να γίνεται με τρόπο χωρικά και χρονικά αποδοτικό. Για το σκοπό αυτό έχουν δημιουργηθεί οι δομές δεδομένων που ονομάζονται συνόψεις, οι οποίες επιτρέπουν την εξαγωγή ωφέλιμης πληροφορίας από τεράστιες ροές δεδομένων, και την κατά προσέγγιση απάντηση σε επερωτήματα, όπως πλήθος, συχνότητα,  ποσοστημόρια, συσχετίσεις κ.α. Στην παρούσα διπλωματική υλοποιείται, στο κατανεμημένο περιβάλλον του Apache Flink, η σύνοψη SpatialSketch και η επέκτασή της DynSketch, που χρησιμοποιούνται για να συνοψίσουν χωρικές ροές δεδομένων. Αυτές περιλαμβάνουν πληροφορία και συντεταγμένες, ή κάποιου άλλου τύπου χωρικές παραμέτρους που σχετίζονται με αυτήν. Αξιοποιώντας τις δυνατότητες του Apache Flink μεγιστοποιείται η ροή δεδομένων και ελαχιστοποιείται η καθυστέρηση. Ενδεικτικά, στα πειράματα που διεξήχθησαν για την αξιολόγηση του χρόνου απόκρισης σε επερώτηματα, επετεύχθη διατήρηση του 95ου ποσοστημορίου χρόνου απάντησης κάτω από 100 μsec. Επιπλέον, χρησιμοποιήθηκε η πλατφόρμα Grafana για την ολοκληρωμένη εποπτεία της εφαρμογής. Το εργαλείο αυτό επιτρέπει τη δημιουργία δυναμικά μεταβαλλόμενων οπτικοποιήσεων σε πραγματικό χρόνο, διευκολύνοντας έτσι την ανάλυση των δεδομένων που λαμβάνονται και των ερωτημάτων που εκτελούνται.

Abstract 
In a world where data are available in an ever increasing volume and speed, their process and analysis is of utmost importance. This is necessary to be accomplished in a space and time efficient manner. For this purpose, data structures called synopses have been created, allowing the extraction of useful information from huge amounts of data and the approximate answer to queries related to cardinality, frequency, quantiles, correlation, etc. This thesis implements, in the distributed environment of Apache Flink, the SpatialSketch and its extension DynSketch, which are used to summarize spatial data streams. These include information accompanied by related coordinates or some other type of spatial attributes. Leveraging the potential that Apache Flink offers, data throughput can be maximized while minimizing latency. Indicatively, experiments conducted for measuring the estimation time of queries, have managed to maintain the 95th percentile under 100 μsec. Moreover, Grafana was used to provide a comprehensive overview of the application. It enables the creation of dynamic, real-time visualizations, facilitating the interpretation of the received data and the issued queries.

Meeting ID: 918 1519 0495
Password: 221573

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Γεωργίου Μαρίου Τσικριτζάκη

με θέμα

Ένας Βελτιστοποιητής για Κλιμακώσιμη Προσεγγιστική Αναγνώριση Πολύπλοκων Γεγονότων στο Apache Flink
An Optimizer for Scalable Approximate Complex Event Recognition over Apache Flink

Εξεταστική Επιτροπή
Επίκουρος Καθηγητής Νικόλαος Γιατράκος (επιβλέπων)
Καθηγητής Μίνως Γαροφαλάκης
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς

Περίληψη
Τα συστήματα Complex Event Processing (CEP) συχνά αντιμετωπίζουν υπερφόρτωση όταν ο ρυθμός εισερχόμενων γεγονότων υπερβαίνει τη διαθέσιμη υπολογιστική ισχύ ή τη μνήμη.
Σε τέτοιες συνθήκες, το backpressure και η υπερβολική αύξηση της κατάστασης μπορούν να υποβαθμίσουν σοβαρά την απόδοση, οδηγώντας σε καθυστερημένα ή απαρχαιωμένα σύνθετα γεγονότα που ενδέχεται να χάσουν τη λειτουργική τους σημασία. Η παρούσα διπλωματική εργασία αντιμετωπίζει αυτή την πρόκληση παρουσιάζοντας ένα πιθανοτικό, ανά είδος γεγονότος πλαίσιο απόρριψης δεδομένων για CEP στο Apache Flink. Κάθε οντότητα στη ροή γεγονότων διαθέτει έναν προκαθορισμένο προϋπολογισμό (event budget), που περιορίζει τον αριθμό των γεγονότων που διατηρούνται στη μνήμη και εξασφαλίζει φραγμένο μέγεθος κατάστασης σε όλους τους τελεστές. Η προτεινόμενη προσέγγιση απορρίπτει επιλεκτικά γεγονότα με στατιστικά ελεγχόμενο τρόπο, ώστε να σταθεροποιήσει την απόδοση διατηρώντας παράλληλα υψηλή ακρίβεια ανίχνευσης. Οι λόγοι απόρριψης (shedding ratios) ανά είδος γεγονότος και τα επίπεδα παραλληλισμού των τελεστών ρυθμίζονται αυτόματα μέσω μιας διαδικασίας Bayesian Optimization, η οποία αναζητά τη βέλτιστη λύση για κάθε συνδυασμό Selection Strategy και Consumption Policy στο CEP. Αυτό επιτρέπει την προσαρμοστική διαχείριση της απόδοσης σε όλα τα σημασιολογικά μοντέλα CEP, αντί της βελτιστοποίησης για έναν μόνο τύπο ερωτήματος. Πέρα από τον σχεδιασμό ενός νέου, ελαφρού μηχανισμού shedding, η εργασία εξετάζει επίσης, τη σχέση μεταξύ απόρριψης δεδομένων και παραλληλισμού ως συνεργατικές στρατηγικές για τη διατήρηση της απόδοσης. Το προτεινόμενο πλαίσιο αξιολογεί και τις δύο προσεγγίσεις υπό τις ίδιες συνθήκες και προσδιορίζει πότε το shedding είναι απαραίτητο, πότε ο παραλληλισμός από μόνος του προσφέρει την ιδανική ισορροπία μεταξύ ρυθμού επεξεργασίας και ακρίβειας, καθώς και πότε πρέπει να εφαρμόζονται και τα δύο παράλληλα. Τέλος, η μελέτη εξετάζει τον αντίκτυπο των χρονικών σημασιών—event time και ingestion time—στην Ποιότητα Αποτελεσμάτων (QoR) και στα αντίστοιχα αποτελέσματα βελτιστοποίησης. Τα πειραματικά αποτελέσματα δείχνουν ότι το προτεινόμενο πλαίσιο προσαρμόζεται αποτελεσματικά στα χαρακτηριστικά του φόρτου, επιτυγχάνοντας ισορροπημένη βελτίωση τόσο στον ρυθμό επεξεργασίας όσο και στην ακρίβεια για κατανεμημένες CEP εφαρμογές βασισμένες στο Flink.

Abstract 
Complex Event Processing (CEP) systems often face overload when incoming event rates exceed processing or memory capacity.  Under such conditions, backpressure and excessive state growth can severely degrade performance, resulting in delayed or outdated complex events that may lose their operational relevance. This thesis addresses this challenge by introducing a probabilistic, stratified load-shedding framework for CEP on Apache Flink. Each entity in the stream is allocated a fixed event budget, which limits the number of events maintained in memory and ensures bounded state size across operators. The approach selectively discards events in a statistically controlled manner to stabilize performance while preserving detection accuracy. Shedding ratios per event type and operator parallelism levels are automatically tuned through a Bayesian Optimization process, which searches for the best configuration for each combination of CEP selection strategy and consumption policy. This enables adaptive performance management across all CEP semantics rather than optimizing for a single query type. Beyond proposing a new lightweight shedding mechanism, the thesis also studies the trade-off between load shedding and operator parallelism as synergistic strategies for sustaining performance. The framework evaluates both approaches under identical conditions and determines when shedding is necessary, when parallelism alone provides the optimal balance between throughput and accuracy or when both should be applied on par with one another. Finally, the study examines the impact of time semantics—event time, and ingestion time—on Quality of Results (QoR) and on the resulting optimization outcomes.  The results demonstrate that the proposed framework effectively adapts to workload characteristics, achieving a balanced improvement in throughput and accuracy for distributed CEP applications built on Flink.

ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ

Ιωάννη Μοριανού

με θέμα
Σύστημα Τεχνητής Νοημοσύνης για την Ανίχνευση Εισβολών σε Βιομηχανικά Περιβάλλοντα και Υλοποιημένη σε Υλικό Αναδιατασσόμενης Λογικής
I2DS: FPGA-based Deep Learning Industrial Intrusion Detection System

Εξεταστική Επιτροπή
Καθηγητής Σωτήριος Ιωαννίδης (επιβλέπων)
Καθηγητής Ευτύχιος Κουτρούλης
Δόκτωρ Κωνσταντίνος Γεωργόπουλος

Περίληψη
Η χρήση συστημάτων διαδικτύου των πραγμάτων (Internet-of-Things (IoT)) σε βιομηχανικά περιβάλλοντα έχει επιφέρει σημαντικά παραγωγικά και οικονομικά οφέλη και αυτό έχει σαν αποτέλεσμα τη διαρκώς αυξανόμενη αξιοποίηση τους στους χώρους αυτούς. Ωστόσο, η εκτεταμένη χρήση τους έχει δημιουργήσει σημαντικές προκλήσεις στο επίπεδο της ασφαλείας ειδικά υπό τη μορφή κυβερνοεπιθέσεων. Το γεγονός αυτό έχει σαν αποτέλεσμα τον περιορισμό της αξιοποίησης τους στα περιβάλλοντα αυτά και αποζητά μεθοδολογίες / λύσεις για την αντιμετώπιση αυτών των ζητημάτων ασφαλείας. Στην εργασία αυτή, παρουσιάζουμε ένα εξειδικευμένο Βιομηχανικό Σύστημα Ανίχνευσης Εισβολών (I2DS). Το προτεινόμενο σύστημα χρησιμοποιεί τις δυνατότητες της βαθιάς μάθησης (Deep Learning (DL)) με στόχο την ανίχνευση μικρών ανωμαλιών καθώς και κυβερνοαπειλών τα οποία ενδέχεται να παραμείνουν μη-ανισχνεύσιμα μέσω της χρήσης συμβατικών συστημάτων ανίχνευσης εισβολών (Intrusion Detection Systems (IDS)). Επιπλέον, χρησιμοποιούμε αναδιατασσόμενο υλικό (Field Programmabe Gate Array (FPGA)), για την υλοποίηση του συστήματος σε επίπεδο υλικού, επιτυγχάνοντας έτσι επεξεργασία δικτυακής κίνησης με χαμηλή καθυστέρηση και υψηλή διεκπεραιωτική ικανότητα, χαρακτηριστικά απαραίτητα για την ανίχνευση εισβολών σε βιομηχανικά περιβάλλοντα και εντός αυστηρών χρονικών ορίων. Επιπλέον, κάνοντας χρήση των χαρακτηριστικών της αναπτυξιακής πλατφόρμας (FPGA), καταφέραμε να παρατηρήσουμε τη δυνατότητα επεκτασιμότητας της προτεινόμενης αρχιτεκτονικής η οποία μπορεί να προσαρμοστεί στις ανάγκες του δικτύου. Εξίσου σημαντικό είναι ότι, σε σύγκριση με αντίστοιχες υλοποιήσεις σε λογισμικό, λειτουργεί με μικρότερη κατανάλωση ενέργειας, γεγονός που την καθιστά ιδανική για τα περιορισμένα σε πόρους περιβάλλοντα που συναντώνται συχνά στα συστήματα που χρησιμοποιούνται σε βιομηχανικά περιβάλλοντα IoT. Τέλος, το σύστημα I2DS που προτείνουμε έχει αξιολογηθεί με τη χρήση του συνόλου δεδομένων βιομηχανικού πρωτοκόλλου Modbus TON-IoT, επιτυγχάνοντας έως και δύο τάξεις μεγέθους υψηλότερη απόδοση σε σύγκριση με αντίστοιχες υλοποιήσεις λογισμικού.
    
Abstract
The use of IoT systems in industrial environments provides tremendous benefits and economic value, leading to an exponential rise in their adoption. Their extended use, however, raises significant concerns related to potential security threats, thereby hindering their further expansion in the field. To address these security concerns, we introduce a specialized Industrial Intrusion Detection System (I2DS). Our proposed system leverages Deep Learning (DL) to detect subtle anomalies and potential cyber threats that may evade conventional rule-based intrusion detection systems (IDS). Furthermore, we employ FPGAs to implement the system at the hardware level and thus achieve low-latency, high-throughput processing of network traffic, which is essential for real-time intrusion detection in industrial settings. Our proposed hardware architecture is scalable and can be adapted according to network bandwidth requirements. Equally important, compared to a purely software solution, it functions under a limited energy budget, making it an ideal solution for the stringent resource constraints often encountered in IoT environments.  Our I2DS solution has been validated with the modbus TON-IoT dataset, achieving up to two orders of magnitude higher performance compared to a software equivalent implementation.

Meeting ID: 936 5136 2883
Password: 467907

ΠΑΡΟΥΣΙΑΣΗ ΔΙΔΑΚΤΟΡΙΚΗΣ ΔΙΑΤΡΙΒΗΣ

Ιάσονα Χρυσομάλλη

με θέμα

Βαθιά Ενισχυτική Μάθηση με Έμμεση Μίμηση
Deep Implicit Imitation Reinforcement Learning

Εξεταστική Επιτροπή
Καθηγητής Γεώργιος Χαλκιαδάκης (Επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης 
Καθηγητής Θρασύβουλος Σπυρόπουλος 
Καθηγητής Ιωάννης Παπαμιχαήλ
Ομότιμος Καθηγητής Μάρκος Παπαγεωργίου
Καθηγητής Γεώργιος Βούρος (Πανεπιστήμιο Πειραιά)
Associate Professor Alberto Castellini (University of Verona, Italy)

Περίληψη
Η μάθηση μέσω μίμησης επιτρέπει στους πράκτορες να αποκτούν σύνθετες συμπεριφορές μαθαίνοντας από επιδείξεις ειδικών/εμπειρογνωμόνων, προσφέροντας μια εναλλακτική λύση στην ενισχυτική μάθηση που στηρίζεται στην εξαντλητική (trial and error) μέθοδο. Ωστόσο, οι συμβατικές προσεγγίσεις μάθησης μέσω μίμησης αντιμετωπίζουν κρίσιμους πρακτικούς περιορισμούς που περιορίζουν την εφαρμογή τους στον πραγματικό κόσμο. Τέτοιοι περιορισμοί είναι: η απαίτηση για πλήρεις επιδείξεις κατάστασης με ρητές ετικέτες ενεργειών· η υπόθεση ότι οι επιδείξεις των εμπειρογνωμόνων αντιπροσωπεύουν βέλτιστη συμπεριφορά· και η υπόθεση της ομοιογένειας των ενεργειών μεταξύ εμπειρογνώμονα και εκπαιδευόμενου πράκτορα. Οι περιορισμοί αυτοί δημιουργούν σημαντικά εμπόδια για την μάθηση μέσω μίμησης σε σενάρια στα οποία: η καταγραφή ενεργειών είναι τεχνικά ανέφικτη· απαιτείται η διασφάλιση του απορρήτου των ενεργειών ή η εκμάθηση μέσω μίμησης ενεργειών είναι υπερβολικά δαπανηρή· είναι γνωστό ότι εμπειρογνώμονας δεν επιδεικνύει βέλτιστη συμπεριφορά, ή στα οποία η βέλτιστη απόδοση είναι απροσδιόριστη ή πιθανότατα ανέφικτη· και στα οποία ο εμπειρογνώμονας και ο εκπαιδευόμενος πράκτορας διαθέτουν θεμελιωδώς διαφορετικές δυνατότητες ενεργειών. 
Με τα παραπάνω ως δεδομένα, η παρούσα διδακτορική διατριβή εισάγει ένα καινοτόμο πλαίσιο βαθιάς ενισχυτικής μάθησης μέσω έμμεσης μίμησης που αντιμετωπίζει αυτούς τους περιορισμούς. Συγκεκριμένα, το προτεινόμενο πλαίσιο επιτρέπει στους πράκτορες να μαθαίνουν από σύνολα δεδομένων εμπειρογνωμόνων που είναι πιθανώς υποβέλτιστα και τα οποία βασίζονται μόνο σε παρατηρήσεις καταστάσεων και όχι μέσω άμεσης διδασκαλίας ή παρατηρήσεων ενεργειών, ενώ παράλληλα επιτρέπει στους πράκτορες να ξεπερνούν την απόδοση του εμπειρογνώμονα μαθαίνοντας μέσω της συνεχούς τους αλληλεπίδρασης με το περιβάλλον. 
Στην διατριβή μας προτείνονται ως μέρος του πλαισίου δύο νέοι αλγόριθμοι ενισχυτικής μάθησης: ο αλγόριθμος Deep Implicit Imitation Q-Network (DIIQN) για χρήση σε ομοιογενείς χώρους ενεργειών, και ο αλγόριθμος Heterogeneous Actions DIIQN (HA-DIIQN) για χρήση σε σενάρια όπου ο εμπειρογνώμονας και ο εκπαιδευόμενος διαθέτουν θεμελιωδώς διαφορετικές δυνατότητες ενεργειών. 
Ο αλγόριθμος DIIQN επεκτείνει την κλασσική μέθοδο βαθιάς ενισχυτικής μάθησης Deep Q-Network (DQN) με μηχανισμούς για την ανακατασκευή των ενεργειών του εμπειρογνώμονα από παρατηρήσεις, τον εντοπισμό των πλέον σχετικών επιδείξεων εμπειρογνωμόνων, και τη δυναμική στάθμιση της καθοδήγησης από τον εμπειρογνώμονα έναντι της αυτόνομης μάθησης σε όλη τη διάρκεια της εκπαίδευσης. 
Η μέθοδος HA-DIIQN από την άλλη, επεκτείνει τον αλγόριθμο DIIQN ώστε να μπορεί να λειτουργεί αποτελεσματικά σε ετερογενείς χώρους ενεργειών στους οποίους ο εμπειρογνώμονας και ο εκπαιδευόμενος διαθέτουν διαφορετικές δυνατότητες ενεργειών, σε σενάρια δηλαδή όπου η άμεση αναπαραγωγή των επιδείξεων εμπειρογνωμόνων είναι αδύνατη. Μέσω καινοτόμων διαδικασιών εντοπισμού μη εφικτότητας και “ανακάλυψης γεφυρών” που προτείνουμε, ο αλγόριθμος HA-DIIQN ανακαλύπτει εναλλακτικά εφικτά μονοπάτια που συνδέουν τις δυνατότητες του πράκτορα με τις κατευθύνσεις του εμπειρογνώμονα. ΄Ετσι, ο HA-DIIQN επιτρέπει τη μεταφορά γνώσης μεταξύ πρακτόρων με διαφορετικά συστήματα ελέγχου, παρέχοντας τη δυνατότητα διαχείρισης καταστάσεων στις οποίες οι συμβατικές μέθοδοι μάθησης μέσω μίμησης αποτυγχάνουν. 
Μια βασική καινοτομία του προτεινόμενου στη διατριβή μας πλαισίου μας είναι ένας καινοτόμος μηχανισμός εμπιστοσύνης που προσαρμοστικά καθορίζει πότε ο εκπαιδευόμενος πρέπει να ακολουθεί την καθοδήγηση του εμπειρογνώμονα και πότε να βασίζεται σε εν δυνάμει χρησιμότερες ανακαλύψεις του ίδιου του πράκτορα, επιτρέποντας στο πλαίσιο να επιταχύνει την αρχική μάθηση διατηρώντας παράλληλα την αυτόνομη βελτίωση πέρα από τους περιορισμούς του εμπειρογνώμονα. 
Εν συντομία, οι κύριες συνεισφορές της παρούσας διατριβής είναι οι ακόλουθες: (α) προτείνουμε το πρώτο model-free πλαίσιο βαθιάς ενισχυτικής μάθησης για έμμεση μάθηση μέσω μίμησης, (β) αξιοποιούμε το πλαίσιο αυτό για να επιταχύνουμε σημαντικά την εκπαίδευση DRL αλγορίθμων, (γ) εισάγουμε δύο νέους αλγόριθμους DRL που επιτρέπουν τη μάθηση μέσω έμμεσης μίμησης από υποβέλτιστους εμπειρογνώμονες, με τη δυνατότητα να τους υπερβαίνουν σε απόδοση, (δ) για πρώτη φορά στη βιβλιογραφία, ένας από τους αλγορίθμους μας επιτρέπει μεταφορά γνώσης μεταξύ ενός εμπειρογνώμονα και ενός εκπαιδευόμενου πράκτορα που διαθέτουν διαφορετικά σύνολα ενεργειών, δηλαδή λειτουργούν σε ετερογενείς χώρους ενεργειών, και (ε) δεικνύουμε πειραματικά την αποτελεσματικότητα του πλαισίου μας τόσο σε κλασικά περιβάλλοντα DRL, όσο και στο απαιτητικό πεδίο της αυτόνομης οδήγησης σε αυτοκινητόδρομους χωρίς λωρίδες κυκλοφορίας. Αξίζει να σημειωθεί ότι η εργασία μας αποτελεί ουσιαστικά το πρώτο πλαίσιο βαθιάς ενισχυτικής μάθησης για μάθηση μέσω έμμεσης μίμησης. 
Πέρα από τη βασική καινοτομία, η παρούσα διατριβή συμβάλλει επίσης με μια νέα ταξινομία των μεθόδων μηχανικής μάθησης μέσω μίμησης, η οποία διαχωρίζει και οργανώνει το πεδίο σε τρεις κύριες κατηγορίες μεθόδων: άμεσης μίμησης, έμμεσης μίμησης, και αντίστροφης ενισχυτικής μάθησης. Η ταξινομία αυτή προσφέρει μια σαφή και δομημένη εικόνα για το πώς οι διαφορετικές προσεγγίσεις μηχανικής μάθησης μέσω μίμησης -και ειδικότερα οι πλέον σύγχρονες, αυτές που προτάθηκαν κατά την τελευταία δεκαετία- σχετίζονται μεταξύ τους. 
Εκτελούμε ολοκληρωμένα πειράματα σε διάφορα περιβάλλοντα: παιγνίων (MinAtar suite), πλοήγησης (2D Maze, Point Maze), και αυτόνομων συστημάτων οδήγησης (lane-free traffic). Τα πειραματικά μας αποτελέσματα υποδεικνύουν πως το DIIQN παρουσιάζει βελτιώση έως 136% όσον αφορά επεισοδιακές αμοιβές και μειώση έως 67% στο χρόνο εκπαίδευσης σε σύγκριση με το τυπικό Deep Q-Network, ενώ παράλληλα ξεπερνά σε απόδοση αμοιβών καθιερωμένες μεθόδους έμμεσης μάθησης μέσω μίμησης (BCO, GAIfO, ORIL). Οι τελευταίες δεικνύεται ότι δεν μπορούν να ξεπεράσουν την απόδοση υποβέλτιστων εμπειρογνωμόνων—σε αντίθεση με τη μέθοδό μας, η οποία επιτυγχάνει κάτι τέτοιο συστηματικά. 
Παράλληλα, κατά τον πειραματισμό μας σε ετερογενή περιβάλλοντα ενεργειών, τα αποτελέσματά μας δείχνουν πως ο αλγόριθμος HA-DIIQN αξιοποιεί με επιτυχία (ετερογενή) σύνολα δεδομένων εμπειρογνωμόνων που οι συμβατικές προσεγγίσεις αδυνατούν να αξιοποιήσουν. Πιο συγκεκριμένα, το HA-DIIQN επιτυγχάνει έως 64% ταχύτερη σύγκλιση στη βέλτιστη πολιτική σε σύγκριση με το τυπικό DQN, και έως 52% ταχύτερη σύγκλιση σε σχέση με το τυπικό DIIQN σε σενάρια με διαφορετικούς βαθμούς ετερογένειας του χώρου ενεργειών, ετερογένεια ενεργειών εκτεινόμενη από μερική επικάλυψη έως πλήρη ασυμβατότητα. 
Επιπροσθέτως, διεκπεραιώσαμε μια διεξοδική ανάλυση ευαισθησίας παραμέτρων, η οποία επικυρώνει τη σταθερότητα και ευρωστία της προσέγγισής μας. Πιο συγκεκριμένα, επιβεβαιώνει ότι ο δυναμικός μηχανισμός εμπιστοσύνης μειώνει σημαντικά τη διακύμανση της εκπαίδευσης. Επίσης, η ανάλυση μας επιτρέπει να προτείνουμε συγκεκριμένες διαμορφώσεις τιμών υπερπαραμέτρων (οι οποίες αφορούν διαφορετικά μεγέθη συνόλων δεδομένων, όρια εμπιστοσύνης, και όρια που καθορίζουν τον απαιτούμενο βαθμό ομοιότητας μεταξύ των καταστάσεων του εμπειρογνώμονα και του εκπαιδευόμενου πράκτορα). 
Οι πρακτικές συνέπειες της παρούσας διδακτορικής διατριβής είναι αξιόλογες. Αφενός, το προτεινόμενο πλαίσιο μας δεν απαιτεί ετικέτες ενεργειών από εμπειρογνώμονες, σε αντίθεση με τις περισσότερες παραδοσιακές μεθόδους μάθησης μέσω μίμησης. Αυτό συμβάλλει στη “βιωσιμότητα” της μάθησης μέσω μίμησης ως προσέγγιση μάθησης για σενάρια που περιλαμβάνουν ασαφή ή επιρρεπή σε σφάλματα ανθρώπινη παρατήρηση, εφαρμογές που απαιτούν συμμόρφωση με περιορισμούς απορρήτου, ή περιπτώσεις κατά τις οποίες οι διαθέσιμοι για μάθηση πόροι είναι περιορισμένοι. 
Επιπλέον, το πλαίσιό μας προσφέρει την ικανότητα στον εκπαιδευόμενο να μαθαίνει από αλλά και να ξεπερνά σε απόδοση υποβέλτιστους εμπειρογνώμονες, μέσω της αξιοποίησης άμεσα διαθέσιμων επιδείξεων από ικανούς αλλά όχι τέλειους εμπειρογνώμονες αντί να απαιτείται δαπανηρή επαλήθευση μέσω βέλτιστων εμπειρογνωμόνων. Παράλληλα, η δυνατότητα χρήσης σε ετερογενείς χώρους ενεργειών επιτρέπει: τη μεταφορά γνώσης μεταξύ διαφορετικών πλατφορμών· τις μεταβάσεις από προσομοίωση σε πραγματικότητα· καθώς και αλλαγές στις δυνατότητες ενός συστήματος χωρίς να απαιτείται νέα συλλογή δεδομένων. Τέλος, η σημαντική μείωση του χρόνου εκπαίδευσης που παρατηρείται στα πειράματά μας, μπορεί να μεταφραστεί άμεσα σε μειωμένο υπολογιστικό κόστος, σε ταχύτερους κύκλους ανάπτυξης, καθώς και σε βελτιωμένη δυνατότητα υλοποίησης για εφαρμογές στον πραγματικό κόσμο οι οποίες δεν μπορούν να καταφύγουν στη χρήση μακροχρόνιων (ή ενδεχομένως επικίνδυνων) διαδικασιών εξερεύνησης κατά τη μάθηση. 
Εν τέλει, ο εμπειρογνώμονας που είναι ο πλέον πολύτιμος δεν είναι ο βέλτιστος, αλλά ο πλέον προσιτός· και το καινοτόμο πλαίσιο βαθιάς ενισχυτικής μάθησης μέσω έμμεσης μίμησης το οποίο προτείνουμε, καθιστά επιτέλους την τεχνογνωσία ενός εμπειρογνώμονα πραγματικά προσιτή και άρα πολύτιμη.

Abstract

Imitation learning (IL) enables agents to acquire complex behaviours by learning from expert demonstrations, offering a compelling alternative to pure trial-and-error reinforcement learning. However, conventional imitation learning approaches face critical practical limitations that restrict their real-world applicability: the requirement for complete state-action demonstrations with explicit action labels; the assumption that expert demonstrations represent optimal behaviour; and the assumption of homogeneous expert and trainee agent action spaces. These constraints create substantial barriers in scenarios where action recording is technically infeasible, privacy-sensitive, or prohibitively expensive; where the expert is known to be suboptimal, or optimal performance is undefined or potentially unattainable; and where an expert agent and a trainee agent possess fundamentally different action capabilities.
Against this background, this thesis puts forward a novel deep implicit imitation reinforcement learning framework that fundamentally addresses these limitations. Specifically, our framework enables agents to learn from state observations-only, suboptimal expert datasets, while possessing the capacity to surpass expert performance through continuous environmental interaction.
Our framework gives rise to two novel deep reinforcement learning (DRL) algorithms: Deep Implicit Imitation Q-Network (DIIQN) for homogeneous action spaces, and Heterogeneous Actions DIIQN (HA-DIIQN) for scenarios where expert and agent possess fundamentally different action capabilities.  DIIQN extends the classic Deep Q-Network (DQN) algorithm with mechanisms for reconstructing expert actions from observations, identifying relevant expert demonstrations, and dynamically weighing expert guidance against self-directed learning throughout training.
HA-DIIQN builds on DIIQN to tackle heterogeneous action settings, in which expert and agent possess different action sets—that is, to address scenarios where direct replication of expert demonstrations is impossible. Employing infeasibility identification and so-called “bridge discovery” procedures that we introduce, HA-DIIQN manages to identify alternative feasible pathways that effectively align agent capabilities to expert state trajectories. Thus, HA-DIIQN enables knowledge transfer across agents with different control schemes, allowing them to cope in situations in which conventional imitation learning methods fail entirely. A key component of our framework is a novel confidence mechanism that is used by both our algorithms to adaptively determine when to follow expert guidance and when to rely on the agent’s own superior discoveries, enabling the framework to accelerate initial learning while preserving autonomous improvement beyond expert limitations.  
In a nutshell, our main contributions in this thesis are the following: (a) we put forward the first model-free DRL framework for implicit imitation learning; (b) we employ this framework to substantially accelerate the training of DRL methods; (c) we introduce two novel DRL algorithms that enable implicit imitation learning from suboptimal experts with the ability to surpass them; (d) interestingly, for the first time in the literature, one of our algorithms allows for knowledge transfer between and expert and a trainee agent that possess different action sets—i.e., operate in heterogeneous action spaces; and (e) we demonstrate our framework’s effectiveness in both classic DRL environments, and in the challenging autonomous driving in lane-free traffic domain. We note that ours is effectively the first deep reinforcement learning framework for implicit imitation learning.
Beyond methodological innovation, this thesis also contributes a novel taxonomy of imitation learning methods that organizes the field into three overarching paradigms: explicit imitation, implicit imitation, and inverse reinforcement learning. This taxonomy offers a clear and structured view of how different IL approaches, and in particular modern IL approaches that have appeared in the past decade, relate to one another. 
We conduct a comprehensive experimental evaluation of our algorithms across diverse environments spanning game-playing (MinAtar suite), navigation (2D Maze, Point Maze), and autonomous driving (lane-free traffic). Our results indicate that DIIQN demonstrates up to 136% improvement in episodic returns, and up to 67% reduction in training time compared to standard Deep Q-Network (DQN), while consistently surpassing in terms of reward-gathering performance established implicit imitation learning methods (BCO, GAIfO, and ORIL). The latter are shown to not be able to exceed the performance of suboptimal experts, in contrast to our method which does so consistently. 
At the same time, when operating in heterogeneous action settings, our results demonstrate that HA-DIIQN agents are able to successfully leverage (heterogeneous) expert datasets that are by and large of no worth to conventional imitation learning approaches. In particular, HA-DIIQN is shown to achieve up to 64% faster convergence to the optimal policy compared to standard DQN, and up to 52% faster convergence relative to standard DIIQN—across scenarios with varying degrees of action space heterogeneity, ranging from partial action sets overlap to exclusive actions sets disjunction. 
Moreover, we conduct a thorough parameter sensitivity analysis that validates the stability and robustness of our approach. In particular, our analysis confirms that our dynamic confidence mechanism substantially reduces training variance Additionally, our analysis allows us to provide specific recommendations for appropriate hyperparameter configurations (regarding different expert data sizes, confidence thresholds, and thresholds determining the required similarity between states in the expert and trainee agent trajectories). 
The practical implications of our PhD work are substantial. On the one hand, our framework does not require expert action labeling, unlike most traditional (“explicit’) imitation learning methods. This contributes to the “viability” of imitation learning as a learning paradigm for scenarios involving imprecise or error-prone human observation, or for applications that require the adherence to privacy requirements or to resource-limited budgets. 
In addition, our framework offers the ability to learn from and surpass suboptimal experts, via leveraging readily available demonstrations from competent but imperfect demonstrators rather than requiring (the potentially expensive) verification by optimal experts. Moreover, the ability of our framework to tackle heterogeneous action spaces, creates the potential for cross-platform knowledge transfer across distinct hardware generations; for simulation-to-reality transitions; and for evolving system capabilities without requiring new dataset collection. Finally, the training time reductions demonstrated in our results, indicate the potential for reduced computational costs, faster deployment cycles, and improved feasibility for real-world applications that cannot afford the luxury of lengthy (or potentially dangerous) exploration processes. 
In the end, the most valuable expert is not the optimal one, but the accessible one; and our novel deep implicit imitation reinforcement learning framework finally makes that expertise accessible and thus worth distilling from.

Meeting ID: 960 9596 1272
Password: 996484

🎯Τίτλος σεμιναρίου:« Η μετάβαση από το Πανεπιστήμιο στην Αγορά Εργασίας».

📅 Τετάρτη 19 Νοεμβρίου 2025,

⏰ 13:00-15:00, Αμφιθέατρο Γ2.1 “Μανούσος Μανουσάκης”

Εισηγήτρια: κα. Ηλιάνα Τζανάκη, Career Coach & Business Consultant

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ελπίδας Ανδρίτσου

με θέμα
Βελτιστοποίηση Αξιοπιστίας Μετατροπέα Ισχύος DC/AC Πολλαπλών Θυρών
Reliability Optimization of Multiport DC/AC Power Converter

Εξεταστική Επιτροπή
Καθηγητής Ευτύχιος Κουτρούλης (επιβλέπων)
Αναπληρωτής Καθηγητής Κωνσταντίνος Γυφτάκης
Επίκουρος Καθηγητής Γεώργιος Πέππας

Περίληψη
Τα τελευταία χρόνια οι Ανανεώσιμες Πηγές Ενέργειας (ΑΠΕ), τα συστήματα αποθήκευσης ενέργειας και τα ηλεκτρικά οχήματα κάνουν όλο και πιο συχνά την εμφάνισή τους και το ενδιαφέρον σχετικά με αυτά όλο και αυξάνεται. Τα συστήματα μετατροπής ισχύος DC/DC και DC/AC που χρησιμοποιούνται μέχρι σήμερα, παρουσιάζουν προβλήματα όπως το υψηλό κόστος, το μέγεθος και η πολυπλοκότητα του συστήματος λόγω των πολλών εξαρτημάτων. Τα παραπάνω προβλήματα μπορούν να αντιμετωπιστούν με τα κατάλληλα μέσα. 
Στην παρούσα διπλωματική εργασία, υλοποιήθηκε η βελτιστοποίηση της αξιοπιστίας ενός μη-απομονωμένου μετατροπέα ισχύος πολλαπλών θυρών (MPC) που ενσωματώνει τέσσερις DC πηγές και μία AC έξοδο. Το συγκεκριμένο σύστημα έχει σχεδιαστεί για τη διαχείριση ισχύος ενός υβριδικού ενεργειακού συστήματος, το οποίο αποτελείται από μία Φ/Β συστοιχία (PV), μία συστοιχία μπαταριών, μία συστοιχία υπερπυκνωτών (SC), μία μπαταρία ηλεκτρικού οχήματος (EV) και τη διασύνδεση με το ηλεκτρικό δίκτυο. Με την εφαρμογή του προτύπου IEC-TR-62380, υλοποιήθηκε το κατάλληλο μαθηματικό μοντέλο ώστε να μπορέσει να επιτευχθεί η βελτιστοποίηση της αξιοπιστίας του συστήματος, βρίσκοντας όσο πιο υψηλό μέσο χρόνο μέχρι την εμφάνιση βλάβης (Mean Times Between Failures-MTBF) ήταν δυνατόν, τηρώντας τους κατάλληλους περιορισμούς. 
Τα αποτελέσματα της βελτιστοποίησης έδειξαν πως η διατήρηση της υψηλής αξιοπιστίας του μετατροπέα είναι εφικτή για διαφορετικά προφίλ λειτουργίας, τιμές ισχύος εξόδου και θερμοκρασίες περιβάλλοντος. Τα ημιαγωγικά στοιχεία εμφανίζουν τη μεγαλύτερη συνεισφορά στο συνολικό ρυθμό βλαβών (failure rate) και κατά επέκταση στο χρόνο MTBF, ενώ τα παθητικά στοιχεία επηρεάζουν σε πολύ μικρότερο βαθμό. Η εφαρμογή του αλγορίθμου Particle Swarm Optimization (PSO) οδήγησε σε βελτίωση της αξιοπιστίας μέσω της κατάλληλης επιλογής τιμών πηνίων, πυκνωτών και διακοπτικής συχνότητας, αποδεικνύοντας ότι ο μετατροπέας λειτουργεί αποδοτικά και με σταθερή αξιοπιστία σε υβριδικά ενεργειακά συστήματα διασυνδεδεμένα με το ηλεκτρικό δίκτυο.

Abstract 
In recent years, renewable energy sources (RES), energy storage systems, and electric vehicles have become increasingly common, and interest in them continues to grow. The DC/DC and DC/AC power conversion systems that are used so far have problems such as high cost, size, and complexity due to the many components involved. These problems can be addressed with the appropriate means. 
In this thesis, the reliability of a non-isolated multi-port converter (MPC) that integrates four DC sources and one AC output was optimized. This system is designed to manage the power of a hybrid energy system, which consists of a photovoltaic (PV) array, a battery array, a supercapacitor (SC) array, an electric vehicle (EV) battery, and the connection to the electrical grid. By applying the IEC-TR-62380 standard, the appropriate mathematical model was implemented to optimize system reliability by finding the highest possible Mean Times Between Failures (MTBF) while adhering to the appropriate constraints.
The optimization results showed that maintaining high converter reliability is possible for different mission profiles, output power values and ambient temperatures. Semiconductor components contribute most to the overall failure rate and, by extension, to the MTBF, while passive components have a much smaller impact. The application of the Particle Swarm Optimization (PSO) algorithm led to improved reliability through the appropriate selection of values of the inductors, the capacitors and the switching frequency, proving that the converter operates efficiently and with consistent reliability in hybrid energy systems connected to the electrical grid.

Meeting ID: 967 8767 2714
Passcode: 259569

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Αναστάσιου Περικλή Μπούταλη

με θέμα
StudCampCater: Βελτιστοποιημένο Ηλεκτρονικό Σύστημα Διαχείρισης Παραγγελιοληψίας και Παραγωγής Φοιτητικής Λέσχης Σίτισης
StudCampCater: Streamlined Electronic Ordering and Production Management System for Student Catering Club

Εξεταστική Επιτροπή
Επίκουρος Καθηγητής Νικόλαος Γιατράκος (επιβλέπων)
Καθηγητής Αντώνιος Δεληγιαννάκης
Καθηγητής Γεώργιος Καρυστινός

Περίληψη
Η παρούσα διπλωματική εργασία επικεντρώνεται στον σχεδιασμό και την ανάπτυξη μιας διαδικτυακής εφαρμογής για τη βελτίωση της διαχείρισης φοιτητικής λέσχης, με έμφαση στην εμπειρία του φοιτητή και την αποδοτικότητα του διαχειριστή. Στόχος είναι να αντιμετωπιστούν συχνά προβλήματα, όπως οι μεγάλες ουρές, η σπατάλη φαγητού και η έλλειψη πληροφόρησης για τη διαθεσιμότητα γευμάτων.
Η εφαρμογή περιλαμβάνει δυνατότητες όπως online κρατήσεις, προβολή μενού σε πραγματικό χρόνο, παρακολούθηση πληρότητας της λέσχης και εργαλεία για τους διαχειριστές για τη διαχείριση παραγγελιών και μενού. Ένα καινοτόμο στοιχείο αποτελεί ο μηχανισμός πρόβλεψης ποσοτήτων φαγητού, ο οποίος βασίζεται στο εργαλείο Facebook Prophet και χρησιμοποιεί ιστορικά δεδομένα, αργίες και καιρικές συνθήκες για την ακριβέστερη εκτίμηση της ζήτησης.
Η υλοποίηση αξιοποιεί σύγχρονες τεχνολογίες τόσο στο frontend όσο και στο backend, με έμφαση στην ασφάλεια (JWT, XSS prevention), την εμπειρία χρήστη (UI/UX σχεδιασμός) και τη δομή βάσης δεδομένων. Η Python χρησιμοποιείται για ανάλυση δεδομένων και εκπαίδευση μοντέλων πρόβλεψης.
Συμπερασματικά, η εργασία επιδεικνύει τη δυνατότητα ψηφιακού μετασχηματισμού των φοιτητικών υπηρεσιών σίτισης, προτείνοντας μια λύση που μπορεί να επεκταθεί και να προσαρμοστεί σε πραγματικά δεδομένα στο μέλλον.

Abstract 
This thesis focuses on the design and development of a web application aimed at improving the management of a university dining hall, emphasizing both student experience and administrative efficiency. The goal is to address common issues such as long queues, food waste, and lack of information regarding meal availability.
The application includes features such as online reservations, real-time menu display, dining hall occupancy monitoring, and administrative tools for managing orders and menus. An innovative component of the system is the food portion forecasting mechanism, which is based on the Facebook Prophet tool and utilizes historical data, holidays, and weather conditions to more accurately estimate demand.
The implementation leverages modern technologies on both the frontend and backend, with a focus on security (JWT, XSS prevention), user experience (UI/UX design), and database structure. Python is used for data analysis and predictive model training.
In conclusion, this work demonstrates the potential for digital transformation of student dining services, proposing a solution that can be expanded and adapted to real-world data in the future. 

ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ

Στέργιου Πλατανιώτη

με θέμα
Μέθοδοι Βαθιάς Εξερεύνησης και Αξιοποίησης Ποικιλότητας για Βαθιά Συνδυαστική Ενισχυτική Μάθηση
Deep Exploration and Diversity Harnessing for Ensemble Deep Reinforcement Learning

Εξεταστική Επιτροπή
Καθηγητής Γεώργιος Χαλκιαδάκης (επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης
Καθηγητής Θρασύβουλος Σπυρόπουλος

Περίληψη
Η βαθιά συνδυαστική ενισχυτική μάθηση (deep ensemble reinforcement learning - ή, για συντομία, ensemble DRL) είναι μία πολύ δημοφιλής στις μέρες μας προσέγγιση ενισχυτικής μηχανικής μάθησης. Βασίζεται στην χρήση πολλαπλών νευρωνικών δικτύων τα οποία συναποτελούν ένα σύνολο (“ensemble”) το οποίο αξιοποιείται από κατάλληλα διαμορφωμένους αλγορίθμους ενισχυτικής μάθησης.
Κάθε δίκτυο παράγει τη δική του πολιτική η οποία αντικατοπτρίζει την οπτική του για τη λύση, δημιουργώντας ένα σύνολο ποικιλόμορφων πολιτικών. Η ποικιλομορφία αυτή μπορεί να προέρχεται από τυχαία αρχικοποίηση παραμέτρων, διαφορετικά δεδομένα εκπαίδευσης, αρχιτεκτονικές παραλλαγές, ή αλγοριθμικές διαφορές. Ένα βασικό πλεονέκτημα που προσφέρει η συγκεκριμένη προσέγγιση, είναι η δυνατότητα αποτελεσματικού συνδυασμού των διακριτών εξόδων για την παραγωγή πιο ισχυρών πολιτικών και τη βελτίωση της συνολικής απόδοσης. Ένα άλλο πλεονέκτημα, είναι ότι προσφέρει ένα “φυσικό” μέσο ποσοτικοποίησης της αβεβαιότητας σχετικά με τη βέλτιστη πολιτική, μέσω της αξιοποίησης κατάλληλων μετρικών της ποικιλομορφίας που εμφανίζεται στις παραμέτρους των μοντέλων ή μεταξύ των εξόδων τους. Η εκτίμηση της αβεβαιότητας μπορεί να οδηγήσει σε εις βάθος εξερεύνηση, επιλέγοντας ενέργειες που προκαλούν υψηλή “διαφωνία” μεταξύ των μοντέλων.
Στην παρούσα μεταπτυχιακή εργασία, εντοπίζουμε και μελετάμε αποτελεσματικούς τρόπους συνδυασμού των διαφορετικών απόψεων πολλαπλών μοντέλων βαθιάς ενισχυτικής μάθησης, ώστε να αξιοποιήσουμε την εγγενή ποικιλομορφία μεταξύ τους, και να λάβουμε πιο τεκμηριωμένες αποφάσεις. Συγκεκριμένα, αναπτύσσουμε τέσσερις καινοτόμους αλγορίθμους βαθιάς ενισχυτικής μάθησης, που χρησιμοποιούν ως βάση τον γνωστό ensemble DRL αλγόριθμο Bootstrapped DQN. Τρεις από αυτούς τους αλγορίθμους χρησιμοποιούν την έννοια του “κέρδους πληροφορίας”/“information gain” και την “(αναμενόμενη) αξία της πληροφορίας” / “(expected) value of information”, είτε κατά την επιλογή ενέργειας είτε κατά την εκπαίδευση του μοντέλου. Η τέταρτη μέθοδός μας είναι εμπνευσμένη από τη θεωρία της κοινωνικής επιλογής (social choice theory) και ενσωματώνει έναν γνωστό μηχανισμό ψηφοφορίας για τη βελτίωση της λήψης αποφάσεων. Παρέχουμε μία εκτενή πειραματική αξιολόγηση των αλγορίθμων μας σε τρία δημοφιλή περιβάλλοντα αξιολόγησης, διερευνώντας την ικανότητά τους για εξερεύνηση του χώρου αποφάσεων, την αποδοτικότητά τους όσον αφορά την αξιοποίηση των απαιτούμενων για την εκπαίδευση τους δειγμάτων, την ασυμπτωτική τους απόδοση - και, γενικότερα, τη συνολική τους ικανότητα να εκμεταλλεύονται την αβεβαιότητα και την ποικιλομορφία για τη μεγιστοποίηση των ανταμοιβών που μπορούν να συλλέξουν. Τα πειραματικά μας αποτελέσματα δεικνύουν την ικανότητα των αλγορίθμων μας για υψηλότερες ανταμοιβές σε σχέση με αυτές που επιτυγχάνουν ανταγωνιστικές μέθοδοι με τις οποίες τους συγκρίνουμε. Επιπλέον, μας παρείχαν τη δυνατότητα να συνάγουμε πολύτιμες πληροφορίες σχετικά με τα προτερήματα και τους περιορισμούς της κάθε μεθόδου. Τέλος, μας επέτρεψαν να σκιαγραφήσουμε ενδιαφέρουσες μελλοντικές κατευθύνσεις εργασίας σε αυτόν τον υψηλού ενδιαφέροντος και δυναμικά εξελισσόμενο ερευνητικό τομέα.

Abstract
Ensemble deep reinforcement learning is a popular paradigm that employs multiple neural networks which form an ensemble.
Each network produces its own policy that reflects its perspective on the solution, giving rise to a set of diverse policies—diversity that may originate from random parameter initialization, different training data, architectural variations, or algorithmic differences. The objective is to efficiently blend the distinct outputs to produce more robust policies and improve aggregated performance. Another key advantage is that it offers a natural means of quantifying policy-related uncertainty via the diversity exhibited in the models’ parameters or between their outputs. These uncertainty estimates can guide deep exploration by selecting actions which cause high “disagreement” between the models.
In this thesis we identify and study effective ways of combining the perceived different opinions of multiple deep reinforcement learning (DRL) models, to harness the inherent diversity between them and make more informed decisions. Specifically, we develop four novel DRL algorithms that use the Bootstrapped DQN framework as their backbone. Three of these algorithms utilize the notion of information gain and the (expected) value of information, either during action-selection or during model updates. Our fourth method is inspired by social choice theory and incorporates a popular voting mechanism to improve decision-making. We provide an extensive experimental evaluation of our algorithms in three popular benchmark settings, assessing their exploration abilities; their sample efficiency; their asymptotic performance; and, in general, their overall ability to exploit uncertainty and diversity towards reward maximization. Apart from increased performance, our findings provide valuable insights about the strengths and limitations of each method; and allow us to outline interesting future work directions in this vibrant research field. 

Meeting ID: 981 5371 7894
Password: 537979

ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ

Γεωργίου Κλιούμη

με θέμα
Κατανεμημένη Παρακολούθηση Ροών Δεδομένων επί Διαδικασιών Εκπαίδευσης Νευρωνικών Δικτύων
Distributed Monitoring of Streaming Data over Neural Training Pipelines

Εξεταστική Επιτροπή
Επίκουρος Καθηγητής Νικόλαος Γιατράκος (επιβλέπων)
Καθηγητής Μίνως Γαροφαλάκης
Καθηγητής Αντώνιος Δεληγιαννάκης

Περίληψη
Στόχος μας είναι να προτείνουμε ένα μοντέλο ροής εργασιών μεγάλων δεδομένων, εισάγοντας 3 καινοτόμες συνεισφορές στον τομέα των κατανεμημένων συνόψεων δεδομένων, της επεξεργασίας ροών και της μάθησης. Ξεκινάμε εισάγοντας την μέθοδο Reversible Random Hyperplane Projection (RRHP), μία καινοτόμα, υπολογιστικά φθηνή, αναστρέψιμη σύνοψη δεδομένων που μπορεί να χρησιμοποιηθεί για τη συμπίεση ροών δεδομένων σε περιβάλλοντα με περιορισμένους πόρους, όπως τα Ασύρματα Δίκτυα Αισθητήρων (ΑΔΑ). Κατά συνέπεια, το RRHP αποτελεί έναν αποδοτικό τρόπο συλλογής και μετάδοσης δεδομένων από το άκρο του δικτύου. Παρουσιάζουμε πειράματα σε πραγματικά περιβάλλοντα που αποδεικνύουν ότι το RRHP μπορεί να επιτύχει παρόμοιες ή καλύτερες μετρικές απόδοσης, σε σύγκριση με άλλους μηχανισμούς αναστρέψιμης σύνοψης δεδομένων, οι οποίοι μπορούν να αναπτυχθούν σε περιβάλλοντα ΑΔΑ. Επιπλέον, δείχνουμε ότι το RRHP μπορεί να παρατείνει τη διάρκεια ζωής των αισθητήρων στο πεδίο μειώνοντας την κατανάλωση ενέργειας τους έως και 10 φορές.
Στη συνέχεια, παρουσιάζουμε το EVENFLOW, ένα καινοτόμο σύνολο πρωτοκόλλων συγχρονισμού για την παράλληλη ως προς τα δεδομένα εκπαίδευση νευρωνικών δικτύων σχεδιασμένο για περιβάλλον συστήματος Parameter Server, το οποίο επιτυγχάνει τόσο έγκαιρες όσο και ακριβείς ενημερώσεις του μοντέλου πρόβλεψης σε περιβάλλοντα ροών. Η πειραματική μας αξιολόγηση δείχνει ότι το EVENFLOW  συνδυάζει τις αρετές και των δύο βασικών (σύγχρονο, ασύγχρονο) πρωτοκόλλων, προσφέροντας τους γρήγορους χρόνους εκπαίδευσης του ασύγχρονου πρωτοκόλλου, με σχεδόν ίση ή ακόμη και βελτιωμένη ακρίβεια σε σύγκριση με το σύγχρονο πρωτόκολλο. Κατά συνέπεια, το EVENFLOW μας επιτρέπει την εκπαίδευση στα δεδομένα που προέρχονται από το άκρο του δικτύου, με κατανεμημένο τρόπο.
Τέλος, παρουσιάζουμε την κατανεμημένη πλατφόρμα Distribuito SuBiTO, μία έκδοση της αρχικής πλατφόρμας SuBiTO, η οποία εκτελεί δειγματοληψία, εκπαίδευση και πρόβλεψη με κατανεμημένο τρόπο, ενώ ταυτόχρονα βελτιστοποιεί συνεχώς τη στρατηγική νευρωνικής μάθησης. Η πλατφόρμα Distribuito SuBiTO διατηρεί την αρχική λειτουργία του SuBiTO, που μαθαίνει αυτόματα και συνεχώς, κατά τη διάρκεια εισροής νέων δεδομένων, βελτιστοποιώντας κάθε μέρος της επεξεργασίας και της μάθησης, προσαρμόζοντας τις παραμέτρους τους δυναμικά. Συνοδεύουμε τις συνεισφορές μας με εκτενή πειραματική αξιολόγηση, δοκιμάζοντας κάθε επανασχεδιασμένο μέρος της κατανεμημένης πλατφόρμας Distribuito SuBiTO και αποδεικνύοντας την αποτελεσματικότητά της στην επεξεργασία μεγάλου όγκου ροών, με αποδοτικό χαρακτήρα πραγματικού χρόνου, διατηρώντας παράλληλα τη λειτουργικότητα του αρχικού SuBiTO. Κατά συνέπεια, το Distribuito SuBiTO μας επιτρέπει να εκτελούμε αναλύσεις σε ροές μεγάλων δεδομένων που προέρχονται από το άκρο, με υψηλή προσαρμοστικότητα, σε πραγματικό χρόνο και με κατανεμημένο τρόπο.

Abstract
Our goal is to propose a big data workflow model by introducing 3 novel contributions in the field of distributed data synopses, stream processing and learning. We start by introducing the Reversible Random Hyperplane Projection (RRHP) Locality Sensitive Hashing scheme, a novel, lightweight, reversible data synopsis that can be used to compress data streams in resource constrained environments, such as Wireless Sensor Networks (WSNs). Therefore, RRHP is an efficient way of gathering and transmitting data from the edge. We showcase real-world experiments proving that RRHP can achieve similar or better performance metrics compared to other lightweight data synopses mechanisms, that can be deployed on a WSN setting. Moreover, we show that RRHP can prolong the life of sensors on the field by reducing their energy consumption by up to 10 times.
Next, we present EVENFLOW, a novel toolkit of synchronization protocols for data-parallel training of neural networks using the Parameter Server paradigm, that achieves both timely and accurate global model updates in streaming settings. Our experimental evaluation shows that EVENFLOW combines the virtues of both the vanilla (synchronous, asynchronous) protocols, offering the rapid training times of asynchronous, with mostly equal or even improved accuracy compared to synchronous. Therefore, EVENFLOW enables us to train on the data that arrive from the edge, in a distributed manner.
Finally, we present the Distribuito SuBiTO framework, a version of the original SuBiTO framework, that performs sampling, training and inference in a distributed manner, all while constantly optimising the neural learning strategy. Distribuito SuBiTO retains the original operation of SuBiTO that automatically and continuously learns as new data stream in and fine tunes each part of data processing and learning, adapting these parameters on-the-fly. We couple our contributions with extensive experimental evaluation, testing every re-engineered part of the Distribuito SuBiTO framework and proving the platform's efficacy in handling large volume streams in an efficient real-time character, all while retaining the original functionality of SuBiTO. Therefore, Distribuito SuBiTO, enables us to perform data analytics tasks on big data streams arriving from the edge, in a highly adaptable, real-time and distributed manner.

Meeting ID: 939 7666 9621
Password: 114375

Eλάτε μαζί μας τον Νοέμβριο του 2025 για μια συναρπαστική ευκαιρία με το Ευρωπαϊκό Πανεπιστήμιο European University on Responsible Consumption and Production (EURECA-PRO) στο επερχόμενο διδακτορικό μας ταξίδι, EURECA-PRO PhD Journey 2025!  

Ζήστε μια μοναδική εβδομάδα κινητικότητας στα πανεπιστήμια-εταίρους του EURECA-PRO.

Οι επιλεγμένοι υποψήφιοι διδάκτορες θα έχουν τη μοναδική ευκαιρία να ενισχύσουν τις δεξιότητές τους και να διευρύνουν τα ερευνητικά τους δίκτυα μέσω της συνεργασίας με ερευνητές από το Universidad de León (León-Spain) και τα TU Bergakademie Freiberg  (Freiberg-Germany) και  Mittweida University of Applied Sciences  (Mittweida-Germany).

To EURECA-PRO PhD Journey 2025 αποτελείται από:

• τη διαδικτυακή δραστηριότητα, 01.10-18.11.2025
• το διά ζώσης πρόγραμμα, 24.11-28.11.2025, συγκεντρώνοντας διδακτορικούς φοιτητές από τα υπόλοιπα πανεπιστήμια-εταίρους για μια γεμάτη εβδομάδα δραστηριοτήτων προσανατολισμένων στην έρευνα.

Κάντε εδώ αίτηση τώρα για μια αξέχαστη εμπειρία.