ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ευαγγέλου Νικολόπουλου

με θέμα

Πρωτόκολλα Συγχρονισμού βάσει Δεδομένων για Παραλληλία Μοντέλου στη Νευρωνική Μάθηση πάνω σε Ροές Δεδομένων

Data-Driven Synchronization Protocols for Model-Parallel Neural Learning

Εξεταστική Επιτροπή

Αναπληρωτής Καθηγητής Νικόλαος Γιατράκος (επιβλέπων)
Καθηγητής Αντώνιος Δεληγιαννάκης
Καθηγητής Μιχαήλ Γ. Λαγουδάκης

Περίληψη

Η διαρκώς αυξανόμενη κλίμακα των αρχιτεκτονικών νευρωνικών δικτύων, καθώς και ο όγκος των δεδομένων που απαιτείται για την εκπαίδευσή τους, έχουν καταστήσει την εκπαίδευση σε μία μόνο συσκευή ολοένα και πιο ανέφικτη, επιβάλλοντας την υιοθέτηση κατανεμημένων στρατηγικών για την κάλυψη των κλιμακούμενων υπολογιστικών απαιτήσεων. Μεταξύ αυτών, οι προσεγγίσεις παραλληλισμού δεδομένων (data parallel) έχουν αναδειχθεί ως μια πρακτική λύση για τη διαχείριση μεγάλων συνόλων δεδομένων, αναπαράγοντας το μοντέλο σε πολλαπλούς κόμβους εργασίας (workers), εκπαιδεύοντας τον καθένα σε μια ξένη (disjoint) κατάτμηση των δεδομένων και συναθροίζοντας τις προκύπτουσες ενημερώσεις. Αν και αποτελεσματική για μοντέλα μέτριου μεγέθους, η προσέγγιση αυτή καθίσταται ακατάλληλη για μεγάλες αρχιτεκτονικές, όπου οι επιμέρους κόμβοι εργασίας δεν μπορούν να χωρέσουν ολόκληρο το μοντέλο στη διαθέσιμη μνήμη τους. Οι προσεγγίσεις παραλληλισμού μοντέλου (model parallel) αντιμετωπίζουν αυτόν τον περιορισμό κατανέμοντας τμήματα της αρχιτεκτονικής του μοντέλου στους κόμβους εργασίας. Ωστόσο, αυτό εισάγει τις δικές του προκλήσεις: την επιβάρυνση της επικοινωνίας μεταξύ των συσκευών που απαιτείται για την προώθηση των τανυστών, καθώς και την αύξηση του χρόνου εκπαίδευσης που προέρχεται από περιορισμούς σε επίπεδο πλαισίου (framework), όπως οι μεταφορές τανυστών από CPU σε GPU, η καθυστέρηση του δικτύου (network latency) και η σειριοποίηση και αποσειριοποίηση των τανυστών.
Η παρούσα διπλωματική εργασία εισάγει νέα πρωτόκολλα συγχρονισμού για την εκπαίδευση με παραλληλισμό μοντέλου, τα οποία αντιμετωπίζουν αυτές τις αναποτελεσματικότητες μέσω μιας σειράς αλγορίθμων παρακολούθησης και πρόβλεψης παραμέτρων. Παρακολουθώντας τοπικά το ιστορικό εκπαίδευσης κάθε κόμβου εργασίας, τα προτεινόμενα πρωτόκολλα επιτρέπουν την πρόβλεψη των μελλοντικών καταστάσεων των παραμέτρων, χωρίς να απαιτούνται πλήρη βήματα διαδικτυακής (online) εκπαίδευσης. Τα μοντέλα πρόβλεψης επιλέχθηκαν σκόπιμα ώστε να αποφεύγονται δαπανηροί υπολογισμοί, όπως η παραγώγιση (gradient derivation), διασφαλίζοντας ότι η επιβάρυνση που εισάγει η διαδικασία πρόβλεψης δεν επηρεάζει αρνητικά την ακρίβεια του μοντέλου.
Η πειραματική μας αξιολόγηση δείχνει ότι τα νέα πρωτόκολλα συγχρονισμού μπορούν να προσφέρουν έως και 27 φορές μειωμένη επικοινωνία και 5 φορές επιτάχυνση του χρόνου εκπαίδευσης, με μόλις 10% πτώση της ακρίβειας σε σύγκριση με τις απλές (vanilla) εναλλακτικές παραλληλισμού μοντέλου.

Abstract 

The growing scale of neural network architectures, and the data volumes required to train them, have made single-device training increasingly unfeasible, compelling the adoption of distributed strategies to meet escalating computational demands. Among these, data parallel approaches have emerged as a practical solution for handling large datasets by replicating the model across multiple workers, training each on a disjoint partition of the data, and aggregating the resulting updates. While effective for mod- erately sized models, this approach becomes unsuitable for large architectures where individual workers cannot accommodate the full model within their available memory. Model parallel approaches address this constraint by distributing portions of the model architecture across workers. However, this introduces its own challenges: inter-device communication overhead required for tensor forwarding, and increased training time stemming from framework-level limitations such as CPU-to-GPU tensor transfers, network latency, and tensor serialization and deserialization. This thesis introduces novel synchronization protocols for model parallel training that address these inefficiencies through a suite of parameter monitoring and prediction algorithms. By locally tracking each worker’s past training history, the proposed protocols enable predictions of future parameter states without requiring full online training steps. The prediction models were deliberately chosen to avoid computationally expensive operations such as gradient derivation, ensuring that the overhead introduced by the prediction process does not offset the efficiency gains achieved.
Our experimental evaluation shows that our novel synchronization protocols can provide up to 27 times reduced communication, 5 times training time speed up with only 10% accuracy drop compared to vanilla model parallel alternatives.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Θεοδώρου – Χριστοφόρου Κουτσαβδή 

με θέμα

Εφαρμογή Κατάρτισης του Ωρολογίου Προγράμματος Μαθημάτων του Πολυτεχνείου Κρήτης
An Application for Technical University of Crete Class Schedule

Εξεταστική Επιτροπή

Καθηγητής Γεώργιος Καρυστινός (επιβλέπων)
Καθηγητής Μιχαήλ Γ. Λαγουδάκης 
Αναπληρωτής Καθηγητής Νικόλαος Γιατράκος 

Περίληψη

Η παρούσα διπλωματική εργασία αφορά στον σχεδιασμό και την ανάπτυξη μιας διαδικτυακής εφαρμογής για την κατάρτιση του ωρολογίου προγράμματος μαθημάτων στο Πολυτεχνείο Κρήτης. Κύριος στόχος της εφαρμογής είναι η αυτοματοποίηση της διαδικασίας δημιουργίας του ωρολογίου προγράμματος, μειώνοντας τον απαιτούμενο χρόνο και διευκολύνοντας το έργο του προσωπικού του ιδρύματος. 
Η εφαρμογή αναπτύχθηκε με τη χρήση τεχνολογιών full-stack, όπως το Angular για το frontend, το Express.js για το backend, και η βάση δεδομένων PostgreSQL. Βασικό χαρακτηριστικό της αποτελεί ο εξειδικευμένος αλγόριθμος που αναπτύχθηκε για την αυτόματη ανάθεση των μαθημάτων στις κατάλληλες αίθουσες, με βάση τις προτιμήσεις, την ημέρα, και την ώρα. Επιπλέον, δόθηκε ιδιαίτερη έμφαση στην ασφάλεια της εφαρμογής, αξιοποιώντας τεχνολογίες όπως το bcrypt για την ασφαλή διαχείριση των κωδικών πρόσβασης και τα JSON Web Tokens για την αυθεντικοποίηση και την εξουσιοδότηση των χρηστών. 
Το αποτέλεσμα είναι μια εύχρηστη και ασφαλής εφαρμογή, η οποία μπορεί εύκολα να αναβαθμιστεί και να συντηρηθεί, παρέχοντας ουσιαστική υποστήριξη στη διαχείριση του ωρολογίου προγράμματος εξαμήνου στο Πολυτεχνείο Κρήτης.

Abstract 

This thesis is on the design and development of a web application for course scheduling at the Technical University of Crete. The main objective of the application is to automate the process of creating the timetable, reducing the time required, and facilitating the work of the institution's staff.
The application was developed using full-stack technologies, such as Angular on the frontend, Express.js on the backend, and the PostgreSQL database. A key feature is the special algorithm developed to automatically assign courses to the appropriate classrooms based on preferences, day, and time. In addition, particular emphasis was placed on the security of the application, utilizing technologies such as bcrypt for secure password management and JSON Web Tokens for user authentication and authorization. 
The result is an easy to use and secure application that can be easily upgraded and maintained, providing substantial assistance in managing the semester timetable at the Technical University of Crete.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Νικολάου Μαλαμά

με θέμα

Ανάλυση και Βελτιστοποίηση της Παράλληλης Υπολογιστικής Απόδοσης Κώδικα Lattice-Boltzmann για Διφασική Ροή

Profiling and Parallel Performance Optimization of a Lattice-Boltzmann 2-phase Flow Simulator

Εξεταστική Επιτροπή

Καθηγητής Αθανάσιος Λιάβας (επιβλέπων)
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς
Επίκουρος Καθηγητής Ανδρέας Γιώτης (ΕΜΠ, Σχολή Αγρονόμων και Τοπογράφων Μηχανικών – Μηχανικών Γεωπληροφορικής)

Περίληψη

Στην παρούσα διπλωματική εργασία μελετάται η υπολογιστική βελτιστοποίηση της παράλληλης έκδοσης ενός προσομοιωτή ροής που βασίζεται στη μέθοδο Lattice Boltzmann και χρησιμοποιείται κυρίως σε υπολογισμούς μεγάλης κλίμακας στη μελέτη της διφασικής ροής σε πορώδη μέσα. Με τη χρήση εργαλείων ανάλυσης επιδόσεων (profiling), εξετάζεται λεπτομερώς ο υπολογιστικός φόρτος που αντιστοιχεί τόσο στους βασικούς αριθμητικούς υπολογισμούς όσο και στις επικοινωνίες μεταξύ των διεργασιών, οι οποίες υλοποιούνται μέσω του προτύπου MPI, με στόχο τον εντοπισμό των σημείων συμφόρησης που επιβαρύνουν σημαντικά τον συνολικό χρόνο εκτέλεσης.
Με βάση τα αποτελέσματα της ανάλυσης, εφαρμόζεται μια σειρά βελτιώσεων στις διαδικασίες επικοινωνίας, οι οποίες αφορούν κυρίως τη συχνότητα των ανταλλαγών, το μέγεθος των μεταδιδόμενων μηνυμάτων και τον τύπο των χρησιμοποιούμενων λειτουργιών επικοινωνίας. Επιπροσθέτως, υιοθετούνται αποδοτικότερες τεχνικές προγραμματισμού για την προσπέλαση πολυδιάστατων μεταβλητών μέσα σε εμφωλευμένους βρόχους do, με στόχο τη βελτίωση της τοπικότητας των δεδομένων στη μνήμη cache και τον περιορισμό των δαπανηρών προσπελάσεων σε επίπεδα της ιεραρχίας μνήμης με μεγαλύτερο χρόνο απόκρισης.
Επιπλέον, πραγματοποιούνται εκτεταμένες βελτιώσεις στην υλοποίηση υπολογισμών κινητής υποδιαστολής, όπως εκθετικές πράξεις και πράξεις λογαρίθμων, ώστε να αξιοποιούνται αποτελεσματικότερα οι δυνατότητες σύγχρονων επεξεργαστών, όπως οι αρχιτεκτονικές AMD EPYC.
Τέλος, προτείνεται ένα υβριδικό σχήμα παραλληλοποίησης MPI+OpenMP, το οποίο αποδεικνύεται ιδιαίτερα αποδοτικό, καθώς συνδυάζει τις βελτιστοποιημένες διακομβικές επικοινωνίες που παρέχει το MPI με την αποτελεσματική αξιοποίηση της κοινόχρηστης μνήμης και της ιεραρχίας της μνήμης cache μέσω του OpenMP εντός του ίδιου υπολογιστικού κόμβου. Η τελική υλοποίηση του κώδικα είναι σημαντικά αποδοτικότερη, επιτυγχάνοντας αξιοσημείωτη βελτίωση των επιδόσεων και εξαιρετική παράλληλη κλιμάκωση, η οποία σε ορισμένες περιπτώσεις εμφανίζεται υπεργραμμική καθώς αυξάνεται ο αριθμός των χρησιμοποιούμενων πυρήνων επεξεργασίας.

Abstract 

This diploma thesis investigates the computational optimization of the parallel version of a flow simulator based on the Lattice Boltzmann method, primarily employed in large-scale simulations of two-phase flow through porous media. Using performance-profiling tools, the computational workload associated with both the main numerical calculations and the communication between parallel processes, implemented using the MPI standard, is analysed in detail. The objective is to identify the computational and communication bottlenecks that contribute significantly to the overall execution time.
Based on the profiling results, a series of improvements is introduced into the communication procedures, primarily addressing the frequency of data exchanges, the size of the transmitted messages, and the type of communication operations employed. Additionally, more efficient programming techniques are adopted for accessing multidimensional variables within nested do-loops, with the aim of improving data locality in cache memory and reducing costly accesses to higher-latency levels of the memory hierarchy.
Furthermore, extensive optimizations are applied to the implementation of floating-point calculations, including exponential and logarithmic operations, to make more effective use of the capabilities of modern processors, such as AMD EPYC architectures.
Finally, a hybrid MPI+OpenMP parallelization scheme is proposed and shown to be particularly efficient. This approach combines the optimized inter-node communication provided by MPI with the effective utilization of shared memory and the cache hierarchy enabled by OpenMP within each individual computing node. The resulting code implementation is substantially more efficient, achieving significant performance improvements and excellent parallel scalability, with superlinear scaling observed in certain cases as the number of processing cores increases.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Παύλου Μπόγκνταν Ζούνιτς

με θέμα

Αξιολόγηση Τριδιάστατων Μετασχηματιστών για Τμηματοποίηση Αντικειμένων

Evaluation of 3D Transformer Techniques for Object Segmentation

Εξεταστική Επιτροπή

Αναπληρωτής Καθηγητής Ευάγγελος Καλογεράκης (επιβλέπων)
Καθηγητής Θρασύβουλος Σπυρόπουλος
Καθηγητής Μιχαήλ Γ. Λαγουδάκης

Περίληψη

Η τμηματοποίηση τρισδιάστατων αντικειμένων σε επιμέρους μέρη αποτελεί ένα σημαντικό πρόβλημα της τρισδιάστατης μηχανικής όρασης, με εφαρμογές στη ρομποτική, το CAD, το animation και την επαυξημένη πραγματικότητα. Πολλές υπάρχουσες μέθοδοι βασίζονται σε προκαθορισμένες semantic labels, γεγονός που περιορίζει την ευελιξία τους όταν απαιτείται η τμηματοποίηση αυθαίρετων ή άγνωστων τμημάτων ενός αντικειμένου. Η παρούσα διπλωματική εργασία μελετά την υλοποίηση και αξιολόγηση ενός native 3D point-promptable part segmentation συστήματος, εμπνευσμένο από το P3-SAM, το οποίο δέχεται ένα point prompt και προβλέπει τη binary mask του αντίστοιχου object part. Η εκπαίδευση πραγματοποιήθηκε στο PartNet dataset, τόσο σε category-specific όσο και σε cross-category ρυθμίσεις. Παράλληλα, εξετάστηκαν δύο διαφορετικές feature extraction διατάξεις: η χρήση του pretrained Sonata ως μοναδικού feature extractor και ο συνδυασμός των Sonata features με τα part-aware features του PartField. Η αξιολόγηση βασίστηκε κυρίως στο Intersection over Union (IoU), ενώ πραγματοποιήθηκε και ποιοτική ανάλυση των παραγόμενων segmentations. Τα αποτελέσματα έδειξαν ότι το μοντέλο μπορεί να μάθει αξιόπιστες prompt-conditioned segmentations τόσο σε μεμονωμένες κατηγορίες όσο και σε ένα ευρύτερο σύνολο αντικειμένων. Επιπλέον, διαπιστώθηκε ότι η προσθήκη των PartField features δεν οδηγεί σε σταθερή βελτίωση της απόδοσης, ενώ το Sonata-only configuration προσφέρει ισχυρά αποτελέσματα με μικρότερη υπολογιστική πολυπλοκότητα. Συνολικά, η εργασία υποστηρίζει ότι το point-promptable 3D part segmentation αποτελεί μια αποτελεσματική και ευέλικτη προσέγγιση για την ανάλυση της εσωτερικής δομής τρισδιάστατων αντικειμένων.

Abstract 

3D object segmentation into individual parts is an important problem in 3D computer vision, with applications in robotics, CAD, animation, and augmented reality. Many existing methods rely on predefined semantic labels, which limits their flexibility when arbitrary or previously unseen object parts need to be segmented. This thesis studies the implementation and evaluation of a native 3D point-promptable part segmentation system inspired by P3-SAM, which receives a point prompt and predicts the binary mask of the corresponding object part. The model is trained on the PartNet dataset using both category-specific and cross-category training settings. In addition, two different feature extraction configurations are investigated: the use of a pretrained Sonata model as the sole feature extractor and the combination of Sonata features with the part-aware features of PartField. The evaluation is based primarily on the Intersection over Union (IoU) metric, while a qualitative analysis of the generated segmentations is also performed. The results show that the model can learn reliable prompt-conditioned segmentations both for individual object categories and across a diverse set of object classes. Furthermore, the incorporation of PartField features does not lead to a consistent improvement in performance, while the Sonata-only configuration achieves strong results with lower computational complexity. Overall, this work demonstrates that point-promptable 3D part segmentation is an effective and flexible approach for understanding the internal structure of 3D objects.

Meeting ID: 927 6026 2241
Password: 136789

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Γεωργίου – Κωνσταντίνου Καραλή

με θέμα

Σχεδίαση Κυκλωμάτων Αναφοράς Ρεύματος Ακριβείας Χαμηλής Κατανάλωσης με χρήση Τεχνολογίας ΙΗΡ 130nm CMOS Open-Source Process Design Kit (PDK)

Design of Precision Low-Power Current Reference Circuits using ΙΗΡ 130nm CMOS Open-Source Process Design Kit (PDK)

Εξεταστική Επιτροπή

Καθηγητής Matthias Bucher (επιβλέπων)
Καθηγητής Κωνσταντίνος Μπάλας
Δρ. Νικόλαος Φασαράκης

Περίληψη

Η παρούσα διπλωματική εργασία αναπτύσσει μια πλήρη μεθοδολογία σχεδίασης κυκλωμάτων αναφοράς ρεύματος ακριβείας και χαμηλής κατανάλωσης, από τη φυσική της διάταξης έως την επαλήθευση του κυκλώματος. Η υλοποίηση πραγματοποιείται στην τεχνολογία CMOS 130 nm IHP SG13G2, χρησιμοποιώντας αποκλειστικά εργαλεία ανοικτού κώδικα (το PDK, το xschem και τον προσομοιωτή NGSPICE). Βασικός πυλώνας της προσέγγισης είναι το μοντέλο EKV, το οποίο επιτρέπει τη σχεδίαση με άξονα το ειδικό ρεύμα (Ispec) και την περιοχή λειτουργίας του MOSFET. Η έρευνα εξελίσσεται ποιοτικά σε τρία αλληλένδετα στάδια.
Αρχικά, εξάγονται οι παράμετροι του μοντέλου EKV σε ένα ευρύ φάσμα γεωμετριών και θερμοκρασιών, δημιουργώντας ένα ολοκληρωμένο αποθετήριο δεδομένων. Στη συνέχεια, τα δεδομένα αυτά χρησιμοποιούνται για τον χαρακτηρισμό θεμελιωδών κυκλωματικών δομών, όπως οι καθρέπτες ρεύματος και οι κλασικές αναφορές Vittoz–Fellrath. Μέσα από αυτή τη διαδικασία, επιβεβαιώνονται οι θεωρητικοί νόμοι λειτουργίας και εντοπίζονται οι μη ιδανικότητες που αλλοιώνουν την ακρίβεια στην πράξη, όπως η ασυμμετρία των τάσεων υποδοχής. Ως τελικό επίτευγμα, η εργασία συνθέτει τα παραπάνω ευρήματα σχεδιάζοντας τον Εξαγωγέα Ειδικού Ρεύματος (Specific Current Extractor, SCE), ένα αυτο-πολωμένο κύκλωμα χωρίς παθητικές αντιστάσεις. Το κύκλωμα παράγει ρεύμα εξόδου που ακολουθεί πιστά το ειδικό ρεύμα του τρανζίστορ βάσει ενός καθαρού θεωρητικού νόμου, χωρίς την ανάγκη εμπειρικής προσαρμογής. Συνολικά, η διπλωματική αποστάζει πρακτικούς και μεταφέρσιμους κανόνες, αποδεικνύοντας ότι η αναλογική σχεδίαση ακριβείας μπορεί να παραχθεί αξιόπιστα από τη θεωρία έως το τελικό κύκλωμα, αξιοποιώντας πλήρως ελεύθερα διαθέσιμες τεχνολογίες.

Abstract

This thesis develops a complete design methodology for precision, low-power current reference circuits, from device physics to circuit verification. The implementation is carried out in the 130 nm IHP SG13G2 CMOS technology, exclusively utilizing open-source tools (the PDK, xschem, and the NGSPICE simulator). The foundational pillar of this approach is the EKV model, which enables design centered around the specific current (Ispec) and the MOSFET’s region of operation. The research unfolds in three interconnected stages.
Initially, the EKV model parameters are extracted across a wide range of geometries and temperatures, creating a comprehensive data repository. Subsequently, these data are used to characterize fundamental circuit structures, such as current mirrors and classic Vittoz–Fellrath references. Through this process, the theoretical laws of operation are confirmed, and non-idealities that degrade practical accuracy—such as drain voltage asymmetry—are identified. As a final achievement, the work synthesizes these findings by designing the Specific Current Extractor (SCE), a self-biased circuit free of passive resistors. The circuit generates an output current that faithfully tracks the transistor’s specific current based on a pure theoretical law, without the need for empirical fitting. Overall, the thesis distills practical, transferable design rules, demonstrating that precision analog design can be reliably executed from theory to the final verified circuit, fully leveraging freely available technologies.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Αχιλλέα Σφακιανάκη

με θέμα

Χαρακτηρισμός Περιοχών Εδάφους με χρήση Υπερφασματικού Περιεχομένου και Τεχνικών Βαθιάς Μάθησης
Characterization of Land Areas Using Hyperspectral Content and Deep Learning Techniques

Εξεταστική Επιτροπή

Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
Καθηγητής Μιχαήλ Γ. Λαγουδάκης
Καθηγητής Παναγιώτης Παρτσινέβελος

Περίληψη

Οι υπερφασματικές εικόνες από μη επανδρωμένα αεροσκάφη χρησιμοποιούνται στη γεωργία ακριβείας και στην ανάλυση κάλυψης γης, προσφέροντας φασματική λεπτομέρεια που συμβατικές κάμερες δεν μπορούν να παρέχουν. Η διαθεσιμότητα αισθητήρων έχει αυξηθεί σημαντικά τα τελευταία χρόνια, επιτρέποντας λεπτομερή ανάλυση βλάστησης σε κλίμακα πεδίου. Ωστόσο, η ακριβής ταξινόμηση της υγείας της βλάστησης παραμένει ένα δύσκολο πρόβλημα. Αυτό οφείλεται κυρίως στην απουσία ετικετών υγείας στα περισσότερα διαθέσιμα σύνολα δεδομένων, στην υψηλή διαστασιμότητα των υπερφασματικών δεδομένων και στην φασματική ομοιότητα μεταξύ διαφορετικών επιπέδων καταπόνησης. Η παρούσα διπλωματική εργασία διερευνά τον χαρακτηρισμό περιοχών εδάφους από υπερφασματικές εικόνες UAV με χρήση σημασιολογικής κατάτμησης βαθιάς μάθησης. Το σύνολο δεδομένων UAV-HSI-Crop-Dataset, που αποκτήθηκε από αγροτικά εδάφη στην Κίνα σε 200 φασματικές ζώνες από 385 έως 1024 nm, περιέχει μόνο ετικέτες για τον τύπο καλλιέργειας. Για την αντιμετώπιση της απουσίας των απαιτούμενων ετικετών υγείας βλάστησης, προτείνεται μια διαδικασία δημιουργίας τους, με τη χρήση ενός συστήματος ψηφοφορίας δεικτών βλάστησης (voting system), εφαρμόζοντας επικάλυψη (masking) και εξισορρόπηση του συνόλου δεδομένων βάσει εντροπίας (balancing), για την παραγωγή ετικετών υγείας τεσσάρων κλάσεων - Background, Severe stress, Moderate και Healthy. Προτείνεται μια ελαφρύτερη αρχιτεκτονική U-Net, το HSI U-Net, και συγκρίνεται με την αρχική αρχιτεκτονική U-Net σε εννέα επίπεδα αφαίρεσης φασματικών ζωνών. Η μελέτη αφαίρεσης ζωνών εξυπηρετεί δύο σκοπούς: διερευνά τη συνεισφορά μεμονωμένων φασματικών περιοχών στην απόδοση ταξινόμησης και αντιμετωπίζει το πρόβλημα κυκλικότητας που προκύπτει όταν οι ετικέτες παράγονται από τα ίδια φασματικά δεδομένα που χρησιμοποιούνται για την εκπαίδευση. Τα εννέα σενάρια αφαίρεσης ζωνών κυμαίνονται από ένα σενάριο πλήρους υπερφασματικού περιεχομένου διακοσίων ζωνών, έως ένα RGB σενάριο τριών ζωνών. Το HSI U-Net υπερτερεί του αρχικού U-Net σε όλα τα σενάρια με σημαντικά λιγότερες παραμέτρους - 7,82 εκατομμύρια έναντι 31,15 εκατομμυρίων. Στο βασικό σενάριο 200 ζωνών, το HSI U-Net επιτυγχάνει συνολική ακρίβεια 93,79% και mIoU 0,84. Η μελέτη αφαίρεσης δείχνει ότι η φασματική ποικιλομορφία έχει μεγαλύτερη σημασία από την ποσότητα ζωνών και αναγνωρίζει το NIR ως την πιο σημαντική ζώνη για την ταξινόμηση υγείας βλάστησης - η αφαίρεσή του από το RGB μειώνει τη συνολική ακρίβεια από 94,39% σε 84,79%. ΄Ενα μοντέλο τεσσάρων ζωνών RGB+NIR επιτυγχάνει συνολική ακρίβεια 94,39%, πλησιάζοντας το βασικό μοντέλο πλήρους υπερφάσματος, υποδηλώνοντας ότι ελαφριοί πολυφασματικοί αισθητήρες μπορούν να χρησιμεύσουν ως εναλλακτική λύση σε πραγματικές συνθήκες. Η δοκιμή σε μια πλήρη αεροφωτογραφία από την Ελλάδα, αποδεικνύει τη δυνατότητα του μοντέλου να γενικεύσει σε άγνωστα δεδομένα από διαφορετική περιοχή και αισθητήρα χωρίς επανεκπαίδευση.

Abstract 

Unmanned Aerial Vehicle (UAV) hyperspectral imagery is used across precision agriculture and land cover analysis, offering spectral detail that conventional cameras cannot provide. Sensor availability has grown considerably over recent years, allowing for fine-grained vegetation analysis at field scale. Nevertheless, accurate vegetation health classification remains a difficult task. This is mainly due to the absence of annotated health labels in most available datasets, the high dimensionality of hyperspectral data, and the spectral similarity between different stress levels. This thesis investigates the characterization of land areas from UAV hyperspectral imagery using deep learning based semantic segmentation. The UAV-HSI- Crop-Dataset, acquired over agricultural fields in China across 200 spectral bands ranging from 385 to 1024 nm, only includes crop type annotations. To address the absence of vegetation health annotations, a ground truth generation pipeline is proposed, using vegetation index voting system, masking and entropy-based dataset balancing to produce four-class health labels - Background, Severe stress, Moderate and Healthy. A lightweight U-Net driven architecture, the HSI U-Net, is proposed and compared with the original U-Net architecture across nine spectral band exclusion levels. The ablation study serves two different purposes: it investigates the contribution of individual spectral regions to classification performance and addresses the circularity concern that arises when ground truth labels are generated from the same spectral data used for training. The nine exclusion scenarios range from full 200- band hyperspectral baseline down to a three-band RGB scenario. The HSI U-Net outperforms the original U-Net in all scenarios with significantly fewer parameters - 7.82 million compared to 31.15 million. At the full 200-band baseline the HSI U-Net achieves 93.79% overall accuracy and 0.84 mIoU. The ablation study shows that spectral diversity matters more than spectral quantity and identifies NIR as the most important band for vegetation health classification - removing it from RGB drops overall accuracy from 94.39% to 84.79%, a loss of 9.6 percentage points from a single band. A four-band RGB+NIR model approaches the full hyperspectral baseline at 94.39% overall accuracy, suggesting that lightweight multispectral sensors can serve as a practical alternative to hyperspectral sensors for field deployment. A full-size aerial image inference from Greece demonstrates generalization to unseen data from a different area and sensor without retraining

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Χρήστου Κούκουζα

με θέμα

Συγκριτική Αξιολόγηση Μεθόδων Sun-Tracking για Φωτοβολταϊκά Συστήματα
Comparative Evaluation of Sun-Tracking Methods for Photovoltaic Systems

Εξεταστική Επιτροπή

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

Περίληψη

Η εργασία αυτή πραγματεύεται τη συγκριτική μελέτη μεθόδων ηλιακής ιχνηλάτησης (sun-tracking) για φωτοβολταϊκά συστήματα, με ιδιαίτερη εστίαση στις σύγχρονες τεχνολογίες τεχνητής νοημοσύνης που αναπτύσσονται τα τελευταία χρόνια. Η ηλιακή ιχνηλάτηση αποτελεί έναν από τους πλέον αποδοτικούς τρόπους αύξησης της παραγωγής ενέργειας φωτοβολταϊκών εγκαταστάσεων καθώς, ανάλογα με τον αλγόριθμο, επιτρέπει τη διατήρηση της επιφάνειας των πάνελ κάθετη στη διεύθυνση της ηλιακής ακτινοβολίας, μεγιστοποιώντας έτσι τη συλλεκτική επιφάνεια καθ' όλη τη διάρκεια της ημέρας.
Στην εργασία εξετάζονται αναλυτικά οι βασικοί τύποι ηλιακών ιχνηλατών: μονοαξονικοί οριζόντιου άξονα (HSAT), κατακόρυφου άξονα (VSAT), κεκλιμένοι (TSAT), πολικά ευθυγραμμισμένοι (PASAT), και διαξονικοί (AADAT, TTDAT). Παράλληλα, αναλύονται οι τρεις κατηγορίες ελέγχου, ενεργοί, παθητικοί και χρονολογικοί ιχνηλάτες. Επίσης, σε αυτή την εργασία εξετάζονται σύγχρονες μέθοδοι τεχνητής νοημοσύνης για ηλιακή ιχνηλάτηση:, νευρο-ασαφή συστήματα (ANFIS) για τον έλεγχο μονοαξονικών και διαξονικών ιχνηλατών, βαθιά ενισχυτική μάθηση (Deep Reinforcement Learning) για τον βέλτιστο έλεγχο γωνίας κλίσης, όραση υπολογιστή με βαθιά μάθηση για τον εντοπισμό της θέσης του Ήλιου και αλγόριθμοι τεχνητής νοημοσύνης για ιχνηλάτες σε εγκαταστάσεις μεγάλης κλίμακας με bifacial πάνελ.
Τα κύρια συμπεράσματα δείχνουν ότι οι μέθοδοι τεχνητής νοημοσύνης υπερτερούν των κλασικών σε δυναμικές συνθήκες (σύννεφα, σκόνη), χωρίς ωστόσο να υπάρχει μία μέθοδος που να υπερέχει σε όλα, καθώς κάθε τεχνική ταιριάζει σε διαφορετικό πλαίσιο εφαρμογής. Για τις Ελληνικές συνθήκες, κρίνεται αποτελεσματική μία υβριδική στρατηγική με την τεχνική HSAT συνδυασμένη με ενσωματωμένο ANFIS ελεγκτή για βέλτιστη απόδοση σε δυσμενείς καιρικές συνθήκες.

Abstract 

This thesis presents a comparative study of sun-tracking methods for photovoltaic systems, with particular focus on the modern artificial intelligence technologies developed in recent years. Solar tracking is one of the most effective ways to increase the energy production of photovoltaic installations, as it allows the panel surface to be kept perpendicular to the direction of solar radiation, thereby maximizing the collecting surface throughout the day.
The thesis examines in detail the main types of solar trackers: horizontal single-axis (HSAT), vertical single-axis (VSAT), tilted single-axis (TSAT), polar-aligned single-axis (PASAT), and dual-axis trackers (AADAT, TTDAT). It also analyzes the three control categories, active, passive, and chronological trackers. Also, this thesis examines modern artificial intelligence methods for solar tracking: neural networks combined with metaheuristic optimization, neuro-fuzzy systems (ANFIS), reinforcement learning (Reinforcement Learning and Deep Q-Networks), computer vision with deep learning, and artificial intelligence algorithms for utility-scale installations with bifacial panels. 
The main conclusions show that artificial intelligence methods outperform classical ones under dynamic conditions (clouds, dust), although no single method is superior in every respect, since each technique is best suited to a different application context. For Greek conditions, a hybrid strategy is considered effective with the HSAT technique combined with an embedded ANFIS controller for optimal performance under adverse weather conditions.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Σοφοκλή – Φιλάρετου Γαβριηλίδη

με θέμα

Πρόβλεψη Χρονοσειρών από Πολλαπλές Πηγές με χρήση Μεθοδολογιών Βαθιάς Μάθησης

Timeseries Forecasting from Multiple Sources using Deep Learning Procedures

Εξεταστική Επιτροπή

Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
Καθηγητής Μιχαήλ Γ. Λαγουδάκης
Επίκουρος Καθηγητής Μάριος Αντωνακάκης (ΕΛΜΕΠΑ, Τμήμα Ηλεκτρονικών Μηχανικών)

Περίληψη

Η αυτοματοποιημένη πρόβλεψη επιληπτικών κρίσεων με χρήση σημάτων Ηλεκτροεγκεφαλογραφήματος (ΗΕΓ) έχει αναδειχθεί σε ένα σημαντικό ερευνητικό πεδίο, λόγω της δυνατότητάς της να παρέχει έγκαιρες προειδοποιήσεις για επιληπτικά επεισόδια και να βελτιώνει την ποιότητα ζωής των ασθενών. Ωστόσο, η ανάπτυξη αξιόπιστων μοντέλων πρόβλεψης παραμένει μια πρόκληση εξαιτίας των έντονα μη ισορροπημένων (imbalanced) συνόλων δεδομένων, της υψηλής διαστατικότητας των καταγραφών ΗΕΓ, και των υπολογιστικών περιορισμών που σχετίζονται με την επεξεργασία μεγάλων χρονικών ακολουθιών. Η παρούσα μελέτη διερευνά τη χρήση ενός νευρωνικού δικτύου Μακράς Βραχυπρόθεσμης Μνήμης (Long Short-Term Memory - LSTM) για την ταξινόμηση πολυκάναλων σημάτων ΗΕΓ σε καταστάσεις κρίσης (seizure) και μη-κρίσης (non-seizure). Λόγω περιορισμών μνήμης του τοπικού συστήματος, μήκη ακολουθιών μεγαλύτερα από 19.200 χρονικά βήματα (time steps) προκαλούσαν τον τερματισμό από το λειτουργικό σύστημα κατά τη διάρκεια της εκπαίδευσης. Κατά συνέπεια, οι καταγραφές ΗΕΓ περικόπηκαν και συμπληρώθηκαν με μηδενικά (zero-padded) σε ένα σταθερό μήκος ακολουθίας 9.600 χρονικών βημάτων, παράγοντας μια τελική αναπαράσταση εισόδου (100, 9600, 19) για 100 δείγματα. Εφαρμόστηκε διαχωρισμός με στρωματοποίηση κλάσεων (class-stratified split), κατανέμοντας το 75% των δεδομένων για εκπαίδευση, το 12% για επικύρωση (validation) και το 13% για δοκιμή (testing).
Η απόδοση του μοντέλου αξιολογήθηκε σε 50 υποκείμενα, μεταβάλλοντας τον Ορίζοντα Πρόβλεψης Κρίσης (Seizure Prediction Horizon - SPH) στα 5, 10, 15, 25 και 40 δευτερόλεπτα (s), διατηρώντας παράλληλα σταθερή την Περίοδο Εκδήλωσης Κρίσης (Seizure Occurrence Period - SOP) στα 35 s. Ένα αρχικό μοντέλο βάσης LSTM (baseline), εκπαιδευμένο απευθείας σε ακατέργαστες (raw) ακολουθίες ΗΕΓ, πέτυχε συνολική ορθότητα (accuracy) 61,54% στο σύνολο δοκιμής. Ωστόσο, η βαθμολογία ROC–AUC 0,45 αποκάλυψε φτωχή απόδοση ταξινόμησης, με το μοντέλο να καταφεύγει σε προβλέψεις της πλειοψηφούσας κλάσης (majority-class), αναγνωρίζοντας σωστά όλα τα δείγματα μη-κρίσης, αλλά αποτυγχάνοντας να ανιχνεύσει τα επεισόδια κρίσεων. Για την αντιμετώπιση αυτού του περιορισμού, αναπτύχθηκε ένα δεύτερο μοντέλο χρησιμοποιώντας εξαγόμενα χαρακτηριστικά στο πεδίο του χρόνου και των συχνοτήτων (π.χ. παράμετροι Hjorth, φασματική πυκνότητα ισχύος Welch, μορφοκλασματικές διαστάσεις / fractal dimensions) και αξιολογήθηκε στις πέντε τιμές του SPH. Η απόδοση βελτιωνόταν σταθερά καθώς αυξανόταν ο ορίζοντας πρόβλεψης: σε SPH = 5 s, το μοντέλο έφτασε σε μέση ορθότητα 88%, αλλά το μέσο F1-score ήταν μόλις 39,1%, αντανακλώντας τη συνεχιζόμενη δυσκολία στην ανίχνευση των επιληπτικών επεισοδίων. Τα καλύτερα αποτελέσματα προέκυψαν σε SPH = 40 s, όπου το μοντέλο πέτυχε μέση Ακρίβεια (Precision) 92%, μέση Ανάκληση (Recall) 74%, μέσο F1-score 78%, μέση Ορθότητα (Accuracy) 91% και AUC 0,85, διατηρώντας παράλληλα το μέσο Ποσοστό Ψευδώς Θετικών (False Positive Rate) κάτω από το 1%.
Τα αποτελέσματα καταδεικνύουν ότι η επέκταση του ορίζοντα πρόβλεψης μπορεί να ενισχύσει σημαντικά την ικανότητα των μοντέλων που βασίζονται σε LSTM να αναγνωρίζουν μοτίβα ΗΕΓ που σχετίζονται με κρίσεις, υπό συνθήκες έντονα μη ισορροπημένων δεδομένων. Ωστόσο, το μικρό μέγεθος του δείγματος δοκιμής (test sample size) εισάγει σημαντική μεταβλητότητα στις αναφερόμενες μετρικές και περιορίζει τη στατιστική ισχύ των συμπερασμάτων. Συνεπώς, η μελλοντική έρευνα θα πρέπει να επικεντρωθεί σε πιο ισχυρές στρατηγικές επικύρωσης, συμπεριλαμβανομένης της k-πλήρους διασταυρούμενης επικύρωσης (k-fold cross-validation), καθώς και σε κλιμακούμενα πλαίσια επεξεργασίας δεδομένων και επιτάχυνση υλικού (hardware acceleration), ώστε να καταστεί δυνατή η εκπαίδευση σε μεγαλύτερες, μη-περικομμένες ακολουθίες ΗΕΓ. Συνολικά, τα ευρήματα αναδεικνύουν τόσο τις δυνατότητες όσο και τους πρακτικούς περιορισμούς των προσεγγίσεων βαθιάς μάθησης για την πρόβλεψη επιληπτικών κρίσεων βάσει ΗΕΓ σε περιβάλλοντα με περιορισμένους πόρους.

Abstract 

Automated seizure prediction using Electroencephalogram (EEG) signals has emerged as an important research area due to its potential to provide early warnings for epileptic events and improve patient quality of life. However, developing reliable prediction models remains challenging because of highly imbalanced datasets, the high dimensionality of EEG recordings, and computational limitations associated with processing long temporal sequences. This study investigates the use of a Long Short-Term Memory (LSTM) neural network for classifying multi-channel EEG signals into seizure and non-seizure states. Due to local system memory constraints, sequence lengths greater than 19,200 time steps resulted in operating system termination during training. Consequently, EEG recordings were truncated and zero-padded to a fixed sequence length of 9,600 time steps, producing a final input representation of (100, 9600, 19) across 100 samples. A class-stratified split was employed, allocating 75% of the data for training, 12% for validation, and 13% for testing. 
Model performance was evaluated across 50 subjects by varying the Seizure Prediction Horizon (SPH) at 5, 10, 15, 25, and 40 s while maintaining a fixed Seizure Occurrence Period (SOP) of 35 s. An initial baseline LSTM model trained directly on raw EEG sequences achieved a test accuracy of 61.54%; however, a ROC–AUC score of 0.45 revealed poor classification performance, with the model defaulting to majority-class predictions by correctly identifying all non-seizure samples while failing to detect any seizure events. To address this limitation, a second model was developed using engineered time- and frequency-domain features (e.g., Hjorth parameters, Welch power spectral density, fractal dimensions) and evaluated across the five SPH values. Performance improved steadily as the prediction horizon increased: at SPH = 5 s the model reached a mean accuracy of 88% but a mean F1-score of only 39.1%, reflecting continued difficulty in detecting seizure events. The best results were obtained at SPH = 40 s, where the model achieved a mean Precision of 92%, a mean Recall of 74%, a mean F1-score of 78%, a mean accuracy of 91%, and an AUC of 0.85, while keeping the mean False Positive Rate below 1%. 
The results demonstrate that extending the prediction horizon can significantly enhance the ability of LSTM-based models to identify seizure-related EEG patterns under highly imbalanced conditions. Nevertheless, the small test sample size introduces considerable variability in the reported metrics and limits the statistical strength of the conclusions. Future work should therefore focus on more robust validation strategies, including k-fold cross-validation, as well as scalable data-processing frameworks and hardware acceleration to enable training on longer, untruncated EEG sequences. Overall, the findings highlight both the potential and the practical limitations of deep learning approaches for EEG-based seizure prediction in resource-constrained environments. 

Meeting ID: 954 649 5567
Password: 956799

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Γεωργίου Χατζηγεωργίου

με θέμα

Προς την Αυτοματοποίηση Επιθέσεων Διαδικτυακών Εφαρμογών
Towards Automating Web Application Attacks

Εξεταστική Επιτροπή

Καθηγητής Σωτήριος Ιωαννίδης (Επιβλέπων)
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς 
Δρ Σπυρίδων Αντωνάτος (Director Cymph Ltd.)

Περίληψη

Content Management Systems φιλοξενούν το μεγαλύτερο μέρος του σύγχρονου διαδικτύου. Το W3Techs τοποθετεί το WordPress στο 42,8% όλων των ιστοτόπων και την κατηγορία CMS συνολικά πάνω από το 70%. Αυτή η κλίμακα, σε συνδυασμό με την μεγάλη επιφάνεια επίθεσης που δημιουργείται από το μοντέλο επέκτασης που μοιράζονται τα περισσότερα CMS, τα καθιστά τόσο έναν προφανή στόχο για επιτιθέμενους όσο και για αυτοματοποιημένη αναγνώριση (reconnaissance). Η παρούσα διπλωματική αξιολογεί κατά πόσο η τρέχουσα γενιά open-source scanners και enumerators για CMS μπορεί να υποστηρίξει αυτή την αυτοματοποίηση στην πράξη.
Το πείραμα εκτελεί δώδεκα εργαλεία. WhatWeb, Nikto, CMSeeK, Vulnx, CMSmap, Droopescan, WPScan, JoomScan, Juumla, Drupwn, Nuclei, καθώς και υποστηρικτική αναγνώριση με το nmap, έναντι τριάντα πέντε σκόπιμα ευάλωτων στόχων: Είκοσι πέντε πλήρη VMs από το VulnHub που καλύπτουν WordPress, Joomla, Drupal, CMS Made Simple και αρκετές διατάξεις πολλαπλών εφαρμογών, συν δέκα Vulhub Docker containers που απομονώνουν συγκεκριμένα CVEs για Drupal, Joomla και WordPress. Κάθε ακατέργαστο αποτέλεσμα αξιολογείται βάσει τεσσάρων ερευνητικών ερωτημάτων: ποιότητα αναγνώρισης (reconnaissance), ποιότητα απαρίθμησης (enumeration), ποιότητα σήματος ευπάθειας (vulnerability-signaling) και ετοιμότητα αυτοματοποίησης.
Τα αποτελέσματα δείχνουν πως ανίχνευση πλατφόρμας είναι αξιόπιστη για τα τρία μεγαλύτερα CMS αλλά όχι για τα λιγότερο διαδεδομένα. Μόνο το CMSeeK παρήγαγε θετική αναγνώριση CMS Made Simple, και μόνο στον στόχο που διαφημίζει την πλατφόρμα στο ίδιο του το path. Ο εντοπισμός έκδοσης (version pinning) είναι αξιόπιστος για το WordPress, εξίσου αξιόπιστος για το Drupal μέσω του Droopescan, για το Joomla επίσης αξιόπιστη με το Juumla. Το WPScan είναι το μόνο εργαλείο του οποίου το enumeration είναι άμεσα αξιοποιήσιμo από επίπεδο αυτοματοποίησης, και το Nuclei είναι το μόνο εργαλείο σηματοδότησης ευπαθειών (vulnerability-signaling tool) του οποίου οι αλυσίδες τεκμηρίωσης CVE (CVE evidence chains) μπορούν να αναπαραχθούν χωρίς επιπλέον εργασία αντιστοίχισης έκδοσης. Πέντε από τα εργαλεία απαίτησαν patches σε επίπεδο πηγαίου κώδικα για να εκτελεστούν καν σε μια τρέχουσα εικόνα Kali με Python 3.13, ένα κόστος που η διπλωματική υποστηρίζει ότι αποτελεί κι αυτό μέρος της εικόνας ετοιμότητας αυτοματοποίησης. Στην εργασία προτείνεται και μια λειτουργικά χρήσιμη ροή (pipeline).

Abstract

Content Management Systems host the majority of the modern public web. W3Techs places WordPress alone at 42.8% of all websites and the CMS category as a whole at over 70%. That scale, combined with the extension-model attack surface that most CMSs share, makes them both an obvious target for adversaries and an obvious candidate for automated reconnaissance. This thesis evaluates whether the current generation of open-source CMS scanners and enumerators can support that automation in practice.
The experiment runs twelve scanning tools. WhatWeb, Nikto, CMSeeK, Vulnx, CMSmap, Droopescan, WPScan, JoomScan, Juumla, Drupwn, Nuclei, plus supporting reconnaissance with nmap, against thirty-five intentionally vulnerable targets: Τwenty-five full VMs from VulnHub covering WordPress, Joomla, Drupal, CMS Made Simple and several multi-application layouts, plus ten Vulhub Docker containers isolating specific Drupal, Joomla and WordPress CVEs.
Every raw output is evaluated against four research questions: Identification quality, enumeration quality, vulnerability-signal quality, and automation readiness. The results show that platform detection is reliable for the big three CMSs but not for less-common ones. Only CMSeeK produced a positive CMS Made Simple identification, and only on the target that advertises the platform in its own path. Version pinning is reliable for WordPress, equally reliable for Drupal via Droopescan and Joomla via Juumla. WPScan is the only tool whose enumeration output is directly consumable by an automation layer, and Nuclei is the only vulnerability-signaling tool whose CVE evidence chains are reproducible without additional version-mapping work. Five of the tools required source-level patches to run at all on a current Python 3.13 Kali image, a cost the thesis argues is itself part of the automation-readiness picture. An operationally useful pipeline is recommended in the thesis.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Γεωργίου Μάντη

με θέμα

Αυτόνομη Πλοήγηση Οχήματος υπό Κλίμακα σε Μικρογραφία Αστικού Περιβάλλοντος για τον Διαγωνισμό Bosch Future Mobility Challenge

Autonomous Navigation of a Scaled Vehicle in Miniature Urban Environments for the Bosch Future Mobility Challenge

Εξεταστική Επιτροπή

Καθηγητής Μιχαήλ Γ. Λαγουδάκης (Σχολή ΗΜΜΥ, Επιβλέπων)
Αναπληρωτής Καθηγητής Ευάγγελος Καλογεράκης (Σχολή ΗΜΜΥ)
Καθηγητής Παναγιώτης Παρτσινέβελος (Σχολή ΜΗΧΟΠ)

Περίληψη
    
Η μετάβαση προς τις αυτόνομες μεταφορές βασίζεται σε αξιόπιστα συστήματα πλοήγησης που μπορούν αυτόνομα να αντιληφθούν το περιβάλλον τους, να εκτιμήσουν τη θέση τους και να λάβουν αποφάσεις οδήγησης σε πραγματικό χρόνο. Παρόλο που αυτές οι δεξιότητες έχουν εξελιχθεί σημαντικά τα τελευταία χρόνια, η εφαρμογή τους σε ενσωματωμένες πλατφόρμες με περιορισμένη επεξεργαστική ισχύ, μνήμη και ενεργειακούς πόρους παραμένει μια μεγάλη πρόκληση, ειδικά σε αυτόνομα οχήματα υπό κλίμακα. Η παρούσα διπλωματική εργασία παρουσιάζει τον σχεδιασμό και την υλοποίηση ενός ελαφρού, βασισμένου στη σύνθεση ανεξάρτητων υπομονάδων, αξιόπιστου συστήματος αυτόνομης πλοήγησης για ένα όχημα κλίμακας 1/10, το οποίο αναπτύχθηκε για τον διαγωνισμό Bosch Future Mobility Challenge. Το όχημα καλείται να λειτουργήσει σε μια μικρογραφία αστικού περιβάλλοντος που περιέχει πινακίδες κυκλοφορίας, δυναμικά εμπόδια και ρεαλιστικούς κανόνες οδήγησης, βασιζόμενο αποκλειστικά στους ενσωματωμένους αισθητήρες και το δικό του υπολογιστικό υλικό. Για την ικανοποίηση αυτών των απαιτήσεων, αναπτύχθηκε μια υπολογιστική αρχιτεκτονική χρησιμοποιώντας ένα Raspberry Pi 5, μια κάμερα χωρικής τεχνητής νοημοσύνης Luxonis OAK-D Lite και έναν μικροελεγκτή STM32 Nucleo. Οι υπολογιστικά απαιτητικές εργασίες αντίληψης εκτελούνται στον ενσωματωμένο επεξεργαστή τεχνητής νοημοσύνης της κάμερας, όπου ένα κατάλληλα εκπαιδευμένο μοντέλο YOLOv8n εκτελεί ανίχνευση αντικειμένων, παράλληλα με μια τοπική μέθοδο δειγματοληψίας 5ου εκατοστημορίου για αξιόπιστη εκτίμηση στερεοσκοπικού βάθους. Ο εντοπισμός θέσης του οχήματος χειρίζεται από ένα υβριδικό πιθανοτικό σύστημα, το οποίο συνδυάζει την τεχνική Adaptive Monte Carlo Localization για την εκτίμηση της απόλυτης θέσης με ένα φίλτρο Extended Kalman Filter για συνεχή παρακολούθηση θέσης σε πραγματικό χρόνο. Η πλοήγηση επιτυγχάνεται μέσω του σχεδιασμού διαδρομών με τον αλγόριθμο αναζήτησης A*, της δημιουργία τροχιών με κυβικές καμπύλες Bézier για την «τυφλή» διέλευση διασταυρώσεων και ενός τροποποιημένου ελεγκτή Stanley για τη διατήρηση της θέσης εντός των λωρίδων και τον έλεγχο κατεύθυνσης. Το προτεινόμενο σύστημα αξιολογήθηκε τόσο σε προσομοιώσεις, όσο και σε πειράματα στον πραγματικό κόσμο. Η κατανεμημένη αρχιτεκτονική διατήρησε έναν σταθερό ρυθμό επεξεργασίας 8 FPS (Frames Per Second), ενώ κράτησε τις καθυστερήσεις επεξεργασίας από άκρο σε άκρο κάτω από 125 χιλιοστά του δευτερολέπτου, αποτρέποντας την θερμική υπερφόρτωση του ενσωματωμένου υλικού κατά τη λειτουργία. Το σύστημα εντοπισμού θέσης ανέκαμψε με επιτυχία από σενάρια «απαγωγής ρομπότ» και το πλήρες σύστημα πλοήγησης έδειξε αξιόπιστη απόδοση καθ’ όλη τη διάρκεια του διαγωνισμού. Αυτά τα αποτελέσματα συνέβαλαν στην κατάκτηση της 7ης θέσης από το όχημα μεταξύ 78 διεθνών ομάδων στο Bosch Future Mobility Challenge 2026 που έλαβε χώρα στο Cluj-Napoca της Ρουμανίας τον Μάιο του 2026, αποδεικνύοντας ότι η αποτελεσματική αυτόνομη πλοήγηση μπορεί να επιτευχθεί ακόμη και σε υπολογιστικά-περιορισμένες ενσωματωμένες πλατφόρμες.

Abstract
    
The transition towards autonomous transportation depends on reliable navigation systems that can autonomously perceive their surroundings, estimate their position and make driving decisions in real time. While these capabilities have advanced significantly in recent years, implementing them on embedded platforms with limited processing power, memory and energy resources remains a major challenge, particularly in scaled autonomous vehicles. This diploma thesis presents the design and implementation of a lightweight, modular and reliable autonomous navigation system for a 1/10-scale vehicle developed for the Bosch Future Mobility Challenge. The vehicle is required to operate in a miniature urban environment containing traffic signs, dynamic obstacles and realistic traffic rules, while relying solely on its onboard sensors and computing hardware. To meet these requirements, a computing architecture was developed using a Raspberry Pi 5, a Luxonis OAK-D Lite spatial Artificial Intelligence (AI) camera and an STM32 Nucleo microcontroller. Computationally demanding perception tasks are executed on the camera’s onboard AI processor, where a custom-trained YOLOv8n model performs object detection alongside a localized 5th-percentile patch sampling method for robust stereo depth estimation. Vehicle localization is handled by a hybrid probabilistic framework that combines Adaptive Monte Carlo Localization for global pose estimation with an Extended Kalman Filter for continuous real-time position tracking. Navigation is achieved through A* path planning, cubic Bézier curve trajectory generation for negotiating “blind” intersections and a modified Stanley controller for lane-following and steering control. The proposed system was evaluated in both simulation and real-world experiments. The distributed architecture maintained a stable processing rate of 8 FPS (Frames Per Second), while keeping end-to-end processing latency below 125 milliseconds, preventing thermal throttling of the embedded hardware during operation. The localization framework successfully recovered from “kidnapped robot” scenarios and the complete navigation system demonstrated reliable performance throughout the competition. These results contributed to the vehicle achieving the 7th place among 78 international teams in the Bosch Future Mobility Challenge 2026 that took place in Cluj-Napoca, Romania in May 2026, demonstrating that effective autonomous navigation can be achieved even on computationally-constrained embedded platforms.

Meeting ID: 97319181712
Password: 804909

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Χρήστου – Αγγέλου Κουτουνίδη

με θέμα

Θεμελιακές Αρχές και Αλγοριθμικές Προσεγγίσεις για την Αποπόλωση Απόψεων μέσω Προτεινόμενου Περιεχομένου 

Foundations and Algorithms for Recommendation-Driven Opinion Depolarization

Εξεταστική Επιτροπή

Καθηγητής Θρασύβουλος Σπυρόπουλος, (Επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης
Καθηγητής Αντώνιος Δεληγιαννάκης

Περίληψη

Η πόλωση ιδεών είναι ένα σημαντικό θέμα στην σημερινή εποχή, λόγω την ύπαρξης των social platforms και της συνεχής επιρροής των ατόμων από αυτά. Η βάση αυτών των πλατφόρμων είναι συστήματα προτάσεων περιεχομένου και παρότι η εξατομίκευση του περιεχομένου μπορεί να βελτιώσει την εμπειρία του χρήστη, η συνεχής προβολή παρόμοιων θέσεων μπορεί να ενισχύσει φαινόμενα όπως τα echo chambers και τα filter bubbles, αυξάνοντας την πόλωση. Στην παρούσα διπλωματική εργασία η αποπόλωση απόψεων σε κοινωνικά δίκτυα μοντελοποιείται ως ένα πρόβλημα διαδοχικών συστάσεων με την χρήση Διαδικασίας Αποφάσεων Markov (MDP). Ο στόχος είναι η ανάπτυξη μιας αποδοτικής αλγοριθμικής λύσης που να επιτυγχάνει πλήρη αποπόλωση, καταφέρνοντας επίσης να κάνει scale σε μεγαλύτερα δίκτυα. Αρχικά εφαρμόζονται μέθοδοι ενισχυτικής μάθησης, όπως Policy Iteration και Value Iteration, ώστε να επιβεβαιωθεί ότι σενάρια βασισμένα στο MDP που εφαρμόστηκε, μπορούν πράγματι να αποπολωθούν. Στη συνέχεια εισάγονται μέθοδοι βασισμένες σε Deep Q-Networks (DQN) και Graph Neural Networks (GNN), για την αντιμετώπιση των  περιορισμών επεκτασιμότητας των μεθόδων ενισχυτικής μάθησης. Τα τελικά αποτελέσματα δείχνουν ότι τα GNN, σε μεγαλύτερα κοινωνικά δίκτυα παρουσιάζουν σταθερή και ισχυρή απόδοση αποπόλωσης.

Abstract 

Opinion polarization is an important issue in today’s society due to the widespread use of social media platforms and their continuous influence on users. These platforms rely heavily on content recommendation systems, and although personalization can improve the user experience, repeatedly exposing users to similar viewpoints can reinforce phenomena such as echo chambers and filter bubbles, thereby increasing polarization. In this thesis, the process of selecting content recommendations in a social network is formulated as a sequential decision-making problem using a Markov Decision Process (MDP). The goal is to develop an algorithmic solution that can efficiently achieve full depolarization while also having the ability to scale to larger networks. Initially, tabular methods such as Policy Iteration and Value Iteration are used to verify that scenarios based on the proposed MDP can indeed be successfully depolarized. Subsequently, methods based on Deep Q-Networks (DQN) and Graph Neural Networks (GNNs) are introduced, to address the scalability limitations of the tabular approaches. The final results show that GNN-based methods maintain stable and robust depolarization performance when applied to larger social networks.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Βαλεντίνου Παπαϊακώβου

με θέμα

Βαθιά Μάθηση Μοντέλου για Εντοπισμό και Συγκομιδή Φυτών

Deep Learning Model for Plant Detection and Harvesting

Εξεταστική Επιτροπή

Καθηγητής Μιχαήλ Γ. Λαγουδάκης (Σχολή ΗΜΜΥ, Επιβλέπων)
Καθηγητής Κωνσταντίνος Γυφτάκης (Σχολή ΗΜΜΥ)
Καθηγητής Σπυρίδων Παπαευθυμίου (Σχολή ΜΠΔ)

Περίληψη

Η τεχνητή νοημοσύνη (ΤΝ) διαδραματίζει σημαντικό ρόλο στη βελτιστοποίηση των συστημάτων ανίχνευσης και συγκομιδής αγροτικών προϊόντων ενισχύοντας την αποδοτικότητα, την ακρίβεια και την παραγωγικότητα. Τα συστήματα με τεχνητή νοημοσύνη χρησιμοποιούν την υπολογιστική όραση για να αναγνωρίζουν ώριμους καρπούς με βάση το χρώμα, το μέγεθος και άλλες οπτικές ενδείξεις, επιτρέποντας ακριβείς αποφάσεις συγκομιδής. Οι αλγόριθμοι μηχανικής μάθησης αναλύουν τεράστιες ποσότητες δεδομένων για να βελτιώσουν την απόδοση της πρόβλεψης, να βελτιστοποιήσουν τα χρονοδιαγράμματα συγκομιδής και να μειώσουν τη σπατάλη. Συνολικά, η τεχνητή νοημοσύνη μεταμορφώνει τη συγκομιδή λαχανικών και φρούτων, επιτρέποντας την πιο έξυπνη λήψη αποφάσεων και τη λειτουργική αποτελεσματικότητα σε όλο τον κύκλο της καλλιέργειας. Στην παρούσα διπλωματική εργασία εκπαιδεύονται και εξετάζονται πέντε παραλλαγές του αλγορίθμου YOLOv5 για την ανίχνευση και κατηγοριοποίηση ντομάτας και πράσινης πιπεριάς με χρήση δύο διαφορετικών βελτιστοποιητών. Το σύνολο δεδομένων εκπαίδευσης και το σύνολο εικόνων ελέγχου δημιουργήθηκαν με τη χρήση απλής κάμερας υπολογιστή για να εξασφαλιστεί η συνέπεια στη διαδικασία συλλογής και εξέτασης δεδομένων. Στον αλγόριθμο ανίχνευσης YOLOv5 έχει ενσωματωθεί ψηφιακή μετα-επεξεργασία της έγχρωμης εικόνας με σκοπό την περαιτέρω βελτίωση του μοντέλου για τη συγκομιδή. Παράλληλα, αναλύονται τα αποτελέσματα της εξέτασης των μοντέλων, σε συνδυασμό με δύο βελτιστοποιητές (SGD και Adam) και επιλέγεται ο καλύτερος συνδυασμός. Για ανιχνευτές ντομάτας και πράσινης πιπεριάς που στοχεύουν στη συγκομιδή, προτείνεται τελικά το μοντέλο YOLOv5l (YOLOv5-large εκδοχή) σε συνδυασμό με τον βελτιστοποιητή SGD. Το συγκεκριμένο μοντέλο εξισορροπεί την υψηλή ακρίβεια ανίχνευσης με χαμηλό ποσοστό σφάλματος, καθιστώντας το ιδανικό για γεωργικές εφαρμογές.

Abstract

Artificial intelligence (AI) plays an important role in optimizing agriculture product detection and harvesting systems by enhancing efficiency, accuracy and productivity. AI systems use computer vision to identify ripe products based on colour, size and other visual cues, enabling accurate harvesting decisions. Machine learning algorithms analyze vast amounts of data to improve forecasting performance, optimize harvest schedules and reduce waste. Overall, AI is transforming vegetable and fruit harvesting, enabling smarter decision-making and operational efficiency throughout the crop cycle. In this diploma thesis, five variants of the YOLOv5 algorithm are trained and tested for tomato and pepper detection and classification using two different optimizers. The training dataset and the testing image set were generated using a simple computer camera to ensure consistency in the data collection and examination process. Digital meta-processing of the color image has been incorporated into the YOLOv5 detection algorithm to further improve the model for harvesting. At the same time, the results of the model examination are analyzed in combination with two optimizers (SGD and Adam), and the best-performing configuration is identified. For tomato and pepper detectors targeting harvesting, the model YOLOv5l (YOLOv5-large variant) in combination with the SGD optimizer is finally recommended. This model balances high detection accuracy with a low error rate, making it ideal for agricultural applications.

Meeting ID: 94202170030
Password: 453258

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Βίκτορος Παναγιώτου

με θέμα

Σχεδίαση και Ανάπτυξη Αυτόνομου Πράκτορα για το Επιτραπέζιο Παιχνίδι "Ricochet Robots"

Design and Development of an Autonomous Agent for the Board Game "Ricochet Robots"

Εξεταστική Επιτροπή

Καθηγητής Μιχαήλ Γ. Λαγουδάκης (Σχολή ΗΜΜΥ, Επιβλέπων)
Καθηγήτρια Αικατερίνη Μανιά (Σχολή ΗΜΜΥ)
Καθηγητής Θρασύβουλος Σπυρόπουλος (Σχολή ΗΜΜΥ)

Περίληψη

Η παρούσα διπλωματική εργασία ασχολείται με τη σχεδίαση και την ανάπτυξη αυτόνομου πράκτορα για το επιτραπέζιο παιχνίδι Ricochet Robots. Αυτό επιτεύχθηκε με τη δημιουργία μιας διαδικτυακής εφαρμογής με γραφική διεπαφή χρήστη, με κύριο σκοπό τη μελέτη αλγορίθμων αναζήτησης και ευρετικών συναρτήσεων σε ένα περιβάλλον που συνδυάζει απλούς κανόνες με έναν πολύ μεγάλο χώρο καταστάσεων. Το Ricochet Robots αποτελεί ένα ενδιαφέρον πρόβλημα για την Τεχνητή Νοημοσύνη, καθώς κάθε κίνηση ενός ρομπότ δεν τερματίζεται απλά σε κάποιο γειτονικό κελί, αλλά συνεχίζεται μέχρι να συναντήσει κάποιο εμπόδιο, όπως τοίχο, άλλο ρομπότ ή απαγορευμένη περιοχή. Αυτός ο απλός κανόνας δημιουργεί έναν σύνθετο χώρο καταστάσεων, όπου οι μεταβάσεις εξαρτώνται από την τρέχουσα τοπολογία της πίστας, και κάνει την εύρεση λύσης πιο απαιτητική, όσο αυξάνεται η δυσκολία του παζλ. Στο πλαίσιο της εργασίας υλοποιήθηκε ένα πλήρως παραμετρικό περιβάλλον παιχνιδιού, στο οποίο ο χρήστης μπορεί να δημιουργεί χάρτες, να παίζει χειροκίνητα, να επιλέγει έναν εκ των πέντε διαθέσιμων αλγόριθμων αναζήτησης για επίλυση και να παρακολουθεί την εκτέλεση της λύσης βήμα προς βήμα. Η εφαρμογή υποστηρίζει παραγωγή τυχαίων παζλ με χρήση φύτρου, ώστε κάθε χάρτης να μπορεί να δημιουργηθεί ξανά με τις ίδιες ρυθμίσεις, κάτι που είναι σημαντικό για την επανάληψη πειραμάτων και τη δίκαιη σύγκριση διαφορετικών μεθόδων. Για την επίλυση των παζλ υλοποιήθηκαν και ενσωματώθηκαν αλγόριθμοι μη πληροφορημένης (Breadth-First Search, Iterative-Deepening Depth-First search) και πληροφορημένης αναζήτησης (Greedy Best-First Search, A*, Iterative-Deepening A*). Παράλληλα, σχεδιάστηκαν διαφορετικές ευρετικές συναρτήσεις, οι οποίες αξιοποιούν με διαφορετικό τρόπο τη γεωμετρία της πίστας, τις θέσεις των ρομπότ και του στόχου και τις πιθανές ενδιάμεσες κινήσεις. Η υλοποίηση οργανώθηκε με τέτοιο τρόπο, ώστε οι αλγόριθμοι να χρησιμοποιούν κοινή αναπαράσταση καταστάσεων και κοινό μηχανισμό παραγωγής διαδόχων, επιτρέποντας έτσι την άμεση σύγκρισή τους στο ίδιο πρόβλημα. Επιπλέον, για τις διαδικασίες της αναζήτησης χρησιμοποιήθηκε η τεχνολογία των Web Workers, ώστε η διεπαφή της εφαρμογής να παραμένει ενεργή, ακόμη και όταν η επίλυση ενός παζλ απαιτεί περισσότερο χρόνο. Για την πειραματική αξιολόγηση δημιουργήθηκαν σύνολα παζλ διαφορετικών μεγεθών και επιπέδων δυσκολίας, ενώ καταγράφηκαν μετρικές, όπως χρόνος εκτέλεσης, αριθμός επεκταμένων και παραγόμενων κόμβων, μέγεθος frontier, ποσοστό επίλυσης και μήκος λύσης. Τέλος, η εργασία περιλαμβάνει και αξιολόγηση ευχρηστίας με βάση την κλίμακα System Usability Scale (SUS), ώστε να εξεταστεί όχι μόνο η αλγοριθμική πλευρά της εφαρμογής, αλλά και η εμπειρία χρήσης της από διαφορετικές κατηγορίες χρηστών. Με αυτόν τον τρόπο, η εργασία συνδυάζει την ανάπτυξη ενός λειτουργικού παιχνιδιού, την υλοποίηση αυτόνομου πράκτορα για το παιχνίδι και την πειραματική μελέτη τεχνικών αναζήτησης σε ένα ενιαίο σύστημα.

Abstract

This diploma thesis focuses on the design and development of an autonomous agent for the board game Ricochet Robots. This was achieved through the implementation of a web application with a graphical user interface, whose main purpose is the study of search algorithms and heuristic functions in an environment that combines simple rules with a very large state space. Ricochet Robots is an interesting problem for Artificial Intelligence, because each robot movement is not terminated simply in an adjacent cell, but continues until the robot meets an obstacle, such as a wall, another robot, or a forbidden area. This simple rule generates a complex state space, where transitions depend on the current topology of the board, and makes the search for a solution more demanding, as the difficulty of the puzzle increases. As part of this thesis, a fully parameterized game environment was implemented, in which the user can generate maps, play manually, select one of the five available search algorithms for solving, and observe the execution of the solution step by step. The application supports random puzzle generation using seeds, so that each map can be recreated with the same settings. This is important for repeating experiments and for fairly comparing different methods. For solving the puzzles, both uninformed (Breadth-First Search, Iterative-Deepening Depth-First search) and informed search algorithms (Greedy Best-First Search, A*, Iterative-Deepening A*) were implemented and integrated. At the same time, different heuristic functions were designed, each of which uses the geometry of the board, the position of the robots and the target, and the possible intermediate moves in different ways. The implementation was organized, so that all algorithms use a common state representation and a common successor generation mechanism, allowing them to be directly compared on the same problem. In addition, Web Workers were used for the search procedures, so that the application interface remains responsive, even when solving a puzzle requires more time. For the experimental evaluation, sets of puzzles with different sizes and difficulty levels were generated, while metrics, such as execution time, number of expanded and generated nodes, frontier size, solve rate, and solution length, were recorded. Finally, the thesis also includes a usability evaluation based on the System Usability Scale (SUS), in order to examine not only the algorithmic aspect of the application, but also the user experience for different categories of users. In this way, the thesis combines the development of a functional game, the implementation of an autonomous agent for this game, and the experimental study of search techniques in a unified system.

Meeting ID: 92635783061
Password: 757084

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ηλία Βογιατζή

με θέμα

Διηλεκτρικές Μετρήσεις και Χαρακτηρισμός Νανοϋγρών

Dielectric Measurements and Characterization of Nanofluids

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

Περίληψη

Η αξιόπιστη και αδιάλειπτη παροχή ενέργειας είναι απαραίτητη για τη σύγχρονη κοινωνία,  καθώς οι υπηρεσίες, οι ηλεκτρονικές συσκευές και οι βιομηχανικές διεργασίες απαιτούν ολοένα και αυξανόμενες ποσότητες ηλεκτρικής ισχύος. Παράλληλα, η αύξηση της ζήτησης συχνά ξεπερνά την ανάπτυξη νέας παραγωγικής ικανότητας τόσο από ανανεώσιμες όσο και από συμβατικές πηγές,  γεγονός που καθιστά ολοένα και πιο σημαντική την αποδοτική αξιοποίηση των υπάρχοντων υποδομών και τον περιορισμό της υποβάθμισής τους.
Η παρούσα διπλωματική εργασία διερευνά τις διηλεκτρικές ιδιότητες και την ευστάθεια του φυσικού εστέρα Envirotemp FR₃ και εξετάζει πώς αυτές οι ιδιότητες τροποποιούνται όταν το υγρό εμπλουτίζεται με νανοσωματίδια οξειδίου του σιδήρου(ΙΙΙ) (Fe₂O₃) σε διαφορετικές συγκεντρώσεις. Η επίδραση της περιεκτικότητας σε Fe₂O₃ στη διηλεκτρική αντοχή και την ευστάθεια των νανορευστών FR₃ αξιολογείται σε σύγκριση με το καθαρό FR₃.
Οι μετρήσεις τάσης διάσπασης πραγματοποιήθηκαν με συσκευή BAUR DTA 100E σύμφωνα με το πρότυπο IEC 60156:1995. Κάθε σειρά δοκιμών περιελάμβανε έξι μετρήσεις διάσπασης, ενώ τα δείγματα υποβλήθηκαν σε υπερηχητική επεξεργασία μετά από κάθε δύο σειρές για τον περιορισμό της συσσωμάτωσης των νανοσωματιδίων εντός του νανορευστού FR₃. Συνολικά πραγματοποιήθηκαν περισσότερες από 200 μετρήσεις διάσπασης για καθένα από τα τέσσερα δοκιμαζόμενα υγρά, και τα δεδομένα αναλύθηκαν με τα στατιστικά μοντέλα Gumbel, Fréchet και Weibull για τον προσδιορισμό των χαρακτηριστικών τάσεων διάσπασης U₁, U₁₀, U₅₀ και U₉₀, καθώς και για την ανεύρεση της βέλτιστης συγκέντρωσης νανοσωματιδίων w/w μεταξύ των δοκιμαζόμενων δειγμάτων. 
Τα τέσσερα δείγματα νανορευστού είχαν συγκεντρώσεις Fe₂O₃ 0%, 0,005%, 0,050% και 0,500% w/w. Μεταξύ αυτών, το δείγμα 0,005% w/w παρουσίασε την υψηλότερη μέση τάση διάσπασης εναλλασσόμενου ρεύματος και τη μικρότερη υποβάθμιση της αντοχής διάσπασης κατά τις επαναλαμβανόμενες δοκιμές. Το δείγμα 0,500% w/w εμφάνισε παρόμοια συμπεριφορά διάσπασης με το βασικό υγρό (0% w/w), αλλά με αυξημένη αντίσταση στις μεταβολές τάσης διάσπασης, γεγονός που ενδέχεται να συνδέεται με τη συσσωμάτωση νανοσωματιδίων εντός του κελιού δοκιμής.

Abstract 

Reliable and continuous energy supply is essential for modern society, as services, electronic devices, and industrial processes require steadily increasing amounts of electrical power. At the same time, demand growth often outpaces the deployment of new generation capacity from both renewable and conventional sources, which makes efficient utilization of existing assets and mitigation of their degradation increasingly important. 
This thesis investigates the dielectric and stability properties of the natural ester fluid Envirotemp FR₃ and examines how these properties are modified when the fluid is doped with iron(III) oxide (Fe₂O₃) nanoparticles at different concentrations. The influence of Fe₂O₃ loading on the dielectric strength and stability of FR₃ nanofluids is evaluated in comparison with pure FR₃.
AC breakdown measurements were performed using a BAUR DTA 100E apparatus in accordance with IEC 60156:1995. Each test set comprised six breakdown measurements, and the samples were sonicated after every two sets to limit nanoparticle agglomeration within the FR3 nanofluid. In total, more than 200 breakdown measurements were carried out for each of the four tested liquids, and the resulting data were analyzed using Gumbel, Fréchet, Weibull and Normal statistical models to determine the characteristic breakdown voltages U₁, U₁₀, U₅₀, and U₉₀ and to identify the optimal w/w nanoparticle concentration among the tested samples.
The four nanofluid samples had Fe₂O₃ concentrations of 0%, 0.005%, 0.050%, 0.500% w/w. Among these, the 0.005 w/w% sample exhibited the highest average AC breakdown voltage and the lowest degradation of breakdown strength over repeated tests. The 0.500 w/w% had yielded similar breakdown behavior to the base fluid (0 w/w%), but with increased resistance to breakdown voltage changes, which may be associated with nanoparticle agglomeration within the test cell.

Αναγνωριστικό σύσκεψης: 375 624 303 006 45
Κωδικός πρόσβασης: mK92L7C7

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Σωτηρίου Λίτσιου

με θέμα

Ανάπτυξη Ηλεκτρονικού Συστήματος Ασύρματης Μεταφοράς Ισχύος μέσω Χωρητικής Σύζευξης

Development of an Electronic System for Wireless Power Transmission through Capacitive Coupling

Εξεταστική Επιτροπή

Καθηγητής Ευτύχιος Κουτρούλης, Επιβλέπων
Καθηγητής Κωνσταντίνος Γυφτάκης 
Επίκουρος Καθηγητής Γεώργιος Πέππας

Περίληψη

Σκοπός της παρούσας εργασίας ήταν η σχεδίαση, η προσομοίωση και η υλοποίηση ενός συστήματος ασύρματης μεταφοράς ισχύος μέσω χωρητικής σύζευξης (Capacitive Power Transfer – CPT). Το σύστημα σχεδιάστηκε για ισχύ 25 W, απόσταση πομπού - δέκτη 10 cm και συχνότητα λειτουργίας 1 MHz. Επιλέχθηκε η τοπολογία LCLC όπου ένας μετατροπέας DC/AC πλήρους γέφυρας τροφοδοτεί το δικτύωμα LCLC του πομπού, ενώ στην πλευρά του δέκτη ένα αντίστοιχο δικτύωμα τροφοδοτεί μέσω ανορθωτή μία μπαταρία. Στην εργασία γίνεται μια σύντομη παρουσίαση των τεχνολογιών ασύρματης μεταφοράς ενέργειας και των βασικών τοπολογιών CPT.
Αρχικά κατασκευάστηκε ο coupler τεσσάρων πλακών αλουμινίου 20 cm x 20 cm και μετρήθηκαν οι χωρητικότητές του με LCR meter ακριβείας, ώστε η σχεδίαση να βασιστεί στις πραγματικές τιμές της κατασκευής. Με βάση τις μετρήσεις υπολογίστηκαν τα στοιχεία των κυκλωμάτων αντιστάθμισης και το σύστημα προσομοιώθηκε, πρώτα ως θεωρητικό κύκλωμα στο LTspice και στη συνέχεια μαζί με τον μετατροπέα DC/AC και τα κυκλώματα οδήγησης στο PSpice. Στη συνέχεια, σχεδιάστηκαν και κατασκευάστηκαν τρεις πλακέτες: του πομπού (μετατροπέας DC/AC, κυκλώματα οδήγησης και το LCLC του πομπού), ενός DC/DC τροφοδοτικού με απομονωμένες εξόδους και του δέκτη (δίκτυο LCLC και ανορθωτής). Τέλος, επιβεβαιώθηκε πειραματικά η λειτουργία των επιμέρους υποσυστημάτων, καθώς και η εμφάνιση τάσης στις πλάκες του δέκτη μέσω της χωρητικής σύζευξης.

Abstract 

This thesis presents the design, simulation, and experimental implementation of a wireless power transfer system based on capacitive coupling (Capacitive Power Transfer – CPT). The system was designed to deliver 25 W across a 10 cm transmitter–receiver gap at an operating frequency of 1 MHz. A double-sided LCLC compensation topology was adopted where a full-bridge DC/AC converter drives the transmitter LCLC network, while on the receiver side a corresponding network charges a battery through a rectifier.
As a first step, a four-plate coupler was constructed using 20 cm × 20 cm aluminum plates, and its capacitances were measured with a precision LCR meter, allowing the design to be grounded in the actual parameters of the physical structure rather than idealized values. Based on these measurements, the compensation network components were calculated and the system was simulated, at first as an idealized circuit in LTspice, and then including the DC/AC converter and its gate driver circuitry in PSpice. Three printed circuit boards were subsequently designed and fabricated: the transmitter board (DC/AC converter, gate drivers, and the transmitter-side LCLC network), an auxiliary DC/DC power supply with isolated outputs and the receiver board (LCLC network and rectifier). Finally, the operation of the individual subsystems was verified experimentally, along with the development of voltage on the receiver plates through the capacitive coupling.

Meeting ID: 967 8767 2714
Password: 259569

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Παναγιώτη Σαββαΐδη

με θέμα

Διερευνώντας το Namespace Pollution στους Φυλλομετρητές και τις Επιπλοκές του στην Ιδιωτικότητα των Χρηστών στο Διαδίκτυο

Exploring Namespace Pollution in Browsers and its Implications on User’s Privacy on the Web

Εξεταστική Επιτροπή
Καθηγητής Σωτήριος Ιωαννίδης (επιβλέπων)
Καθηγητής Ευριπίδης Πετράκης
Λέκτορας Παναγιώτης Ηλία (Τεχνολογικό Πανεπιστήμιο Κύπρου, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής)

Περίληψη

Η ασφάλεια και η ιδιωτικότητα των χρηστών στο διαδίκτυο είναι για πολλά χρόνια αντικείμενο έρευνας. Οι εξελίξεις στη τεχνολογία του διαδικτύου επιτρέπουν την συλλογή και αποθήκευση δεδομένων των χρηστών κατά την προσπέλαση ιστοσελίδων, δεδομένα που επιτρέπουν την ταυτοποίηση και παρακολούθηση των προτιμήσεων τους. Αυτό επιτρέπει σε εταιρίες διαδικτυακής διαφήμισης να δημιουργούν προφίλ χρηστών και να κερδοσκοπούν από αυτή τη πληροφορία πουλώντας τη σε data markets, παράλληλα όμως επιτρέπουν σε κακόβουλα μέρη να εκμεταλλευτούν τα κενά στους σύγχρονους φυλλομετρητές για να διαβάσουν ή και να παραποιήσουν την πληροφορία που συλλέγεται για τους χρήστες.
Ενώ το κύριο μέσο αποθήκευσης αυτής της πληροφορίας που εξετάζεται εκτενώς στη βιβλιογραφία είναι τα cookies, στη παρούσα εργασία εξετάζουμε το Window Object των ιστοσελίδων ως μέσο αποθήκευσης και ανταλλαγής πληροφορίας ανάμεσα σε scripts διαφορετικής προέλευσης εκμεταλλευόμενα το φαινόμενο που λέγεται namespace pollution (ρύπανση ονοματοχώρου).
Προκειμένου να αποκτήσουμε μια συνεκτική εικόνα του φαινομένου, προσπελαύνουμε τη λίστα Tranco 10K και μετράμε τη διάδραση των scripts στα properties του Window Object. Αναλύουμε και βρίσκουμε πως το 68% των ιστοσελίδων περιέχει διάδραση scripts διαφορετικής προέλευσης στα ίδια properties και ορίζουμε το μετρικό diffWRi για να ποσοτικοποιήσουμε τη συμπεριφορά των scripts στο global namespace.
Καταλήγουμε πως το φαινόμενο της ρύπανσης ονοματοχώρου είναι παρόν στις σύγχρονες ιστοσελίδες και υπάρχουν τρόποι να παρακαμφθούν τα πρωτόκολλα ασφαλείας στους φυλλομετρητές προκειμένου να σταλεί η πληροφορία προς κατευθύνσεις που δεν προορίζεται εξαρχής. Στα πιο δημοφιλή features διαπιστώσαμε πως δεν είναι εμφανής η προσπέλαση ευαίσθητων πληροφοριών από scripts τρίτων μερών, αν και υπάρχουν ενδειξεις για διαρροή πληροφοριών που θα μπορούσαν να συμβάλλουν στην έμμεση ταυτοποίηση χρηστών (fingerprinting).

Abstract 

User security and privacy on the internet have been a subject of research for many years. Advances in internet technology enable the collection and storage of user data when accessing websites, data that enables the identification and tracking of their preferences. This allows online advertising companies to create user profiles and profit from this information by selling it on data markets; however, it also allows malicious actors to exploit vulnerabilities in modern browsers to read or even tamper with the information collected about users.
While the primary means of storing this information, which is extensively examined in the literature, is cookies, in this paper we examine the Window Object of web pages as a means of storing and exchanging information between scripts of different origins by exploiting the phenomenon known as namespace pollution.
To gain a coherent picture of the phenomenon, we access the Tranco 10K list and measure the interaction of scripts on the properties of the Window Object. We analyze and find that 68% of web pages contain interaction between scripts of different origins on the same properties, and we define the metric diffWRi to quantify the behavior of scripts in the global namespace.
We conclude that the phenomenon of namespace pollution is present in modern websites and that there are ways to bypass security protocols in browsers in order to send information to destinations for which it was not originally intended. In the most popular features, we found that access to sensitive information by third-party scripts is not apparent, although there are indications of information leaks that could contribute to indirect user identification (fingerprinting).

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Εμμανουήλ Πετράκη

με θέμα

Βελτιστοποίηση Σχεδιασμού Συστημάτων Αποθήκευσης Ενέργειας σε Συσσωρευτές που Διασυνδέονται με το Ηλεκτρικό Δίκτυο

Design Optimization of Grid-connected Battery Energy-Storage Systems

Εξεταστική Επιτροπή

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

Περίληψη

Η αυξανόμενη διείσδυση των Ανανεώσιμων Πηγών Ενέργειας (ΑΠΕ) στα σύγχρονα ηλεκτρικά δίκτυα δημιουργεί αυξημένες απαιτήσεις για την ανάπτυξη αποδοτικών συστημάτων αποθήκευσης ενέργειας. Tα Συστήματα Αποθήκευσης Ενέργειας με Μπαταρίες (Battery Energy Storage Systems – BESS) αποτελούν μία από τις σημαντικότερες τεχνολογίες για την υποστήριξη της λειτουργίας των ηλεκτρικών δικτύων και την αποτελεσματική αξιοποίηση της παραγόμενης ενέργειας.
Στην παρούσα διπλωματική εργασία αναπτύσσεται μια μεθοδολογία βελτιστοποίησης του μεγέθους (διαστασιολόγηση) συστημάτων αποθήκευσης ενέργειας που αποτελούνται από πέντε διαφορετικές τεχνολογίες μπαταριών: μπαταρίες Lead Acid, μπαταρίες Vanadium Redox Flow Battery (VRFB), μπαταρίες Sodium Sulphur (NaS), μπαταρίες Lithium-Ion LFP και μπαταρίες Nickel Cadmium (NiCd). Η αξιολόγηση του συστήματος πραγματοποιείται μέσω ετήσιας προσομοίωσης 8760 ωριαίων χρονικών βημάτων, χρησιμοποιώντας ενεργειακό προφίλ που προέκυψε από επεξεργασία δεδομένων παραγωγής του ΔΕΔΔΗΕ για το νησιωτικό σύστημα Κω–Καλύμνου για το έτος 2025.
Η διαδικασία βελτιστοποίησης υλοποιείται σε περιβάλλον MATLAB με χρήση Γενετικών Αλγορίθμων (Genetic Algorithms – GA). Κάθε υποψήφια λύση περιγράφεται από δεκαπέντε ακέραιες μεταβλητές που καθορίζουν τη διαμόρφωση των επιμέρους τεχνολογιών, δηλαδή τον αριθμό συστοιχιών και τη συνδεσμολογία σε σειρά και παράλληλα. Για κάθε λύση πραγματοποιείται πλήρης προσομοίωση της λειτουργίας του συστήματος και υπολογίζονται οι οικονομικοί δείκτες Net Present Cost (NPC), Net Present Value (NPV) και Levelized Cost of Energy (LCOE).
Η ανάλυση πραγματοποιείται για δύο διαφορετικά σενάρια λειτουργίας. Στο πρώτο σενάριο το BESS ανήκει στον διαχειριστή του δικτύου και λειτουργεί με σκοπό την υποστήριξη του ηλεκτρικού δικτύου, ενώ στο δεύτερο σενάριο εξετάζεται η λειτουργία του BESS από ιδιώτη επενδυτή, ο οποίος αγοράζει ηλεκτρική ενέργεια από το δίκτυο σε χαμηλή τιμή, την αποθηκεύει και στη συνέχεια την μεταπωλεί σε υψηλότερη τιμή, με σκοπό τη μεγιστοποίηση του οικονομικού οφέλους.
Τα αποτελέσματα δείχνουν ότι το μοντέλο λειτουργίας και οι οικονομικές παραδοχές επηρεάζουν καθοριστικά τη βέλτιστη σύνθεση του συστήματος αποθήκευσης. Στο πρώτο σενάριο η βέλτιστη λύση αξιοποιεί και τις πέντε διαθέσιμες τεχνολογίες μπαταριών, με τις Li- Ion LFP να παρουσιάζουν τη μεγαλύτερη εγκατεστημένη ενεργειακή χωρητικότητα και τις Lead Acid να συμμετέχουν επίσης σημαντικά στη συνολική διαμόρφωση του συστήματος. Αντίθετα, στο δεύτερο σενάριο επιλέγονται μόνο οι τεχνολογίες Li-Ion LFP και NaS, σύμφωνα με τις οικονομικές παραδοχές της μελέτης. Και στα δύο σενάρια επιτυγχάνεται πλήρης κάλυψη του ετήσιου ενεργειακού φορτίου. Η εργασία αναδεικνύει τη σημασία της τεχνοοικονομικής βελτιστοποίησης κατά τον σχεδιασμό συστημάτων αποθήκευσης ενέργειας και δείχνει ότι η βέλτιστη επιλογή των τεχνολογιών εξαρτάται τόσο από τα τεχνικά χαρακτηριστικά των μπαταριών όσο και από το μοντέλο λειτουργίας και τις οικονομικές παραμέτρους που χρησιμοποιούνται στη διαδικασία βελτιστοποίησης.

Abstract 

The increasing penetration of Renewable Energy Sources (RES) into modern power systems has created a growing demand for efficient energy storage technologies. Battery Energy Storage Systems (BESS) have emerged as one of the most promising solutions for improving grid stability, increasing the utilization of renewable energy, and enhancing the overall reliability of electrical power systems. 
This diploma thesis presents an optimization methodology for the optimal sizing of a hybrid Battery Energy Storage System consisting of five different battery technologies: Lead Acid, Vanadium Redox Flow Battery (VRFB), Sodium Sulphur (NaS), Lithium-Ion Lithium Iron Phosphate (Li-Ion LFP), and Nickel Cadmium (NiCd). The proposed methodology is implemented in MATLAB and is based on an annual simulation of 8,760 hourly time steps using an energy profile derived from processed Hellenic Electricity Distribution Network Operator (HEDNO) generation data for the Kos–Kalymnos island power system for the year 2025. 
The optimization process is performed using Genetic Algorithms (GA). Each candidate solution is represented by fifteen integer decision variables defining the number of battery strings as well as the series and parallel configuration of each battery technology. For every candidate solution, a complete annual simulation is carried out and the corresponding economic performance is evaluated using the Net Present Cost (NPC), Net Present Value (NPV), and Levelized Cost of Energy (LCOE) indices. 
The proposed methodology is evaluated under two different operating scenarios. In the first scenario, the BESS is owned by the grid operator and is used to support grid operation by storing surplus energy and supplying energy during periods of demand. In the second scenario, the BESS is owned by a private investor who purchases electricity from the grid at a low price, stores it, and sells it back to the grid at a higher price in order to maximize economic benefit. 
The results demonstrate that the operating model and the economic assumptions significantly influence the optimal configuration of the hybrid BESS. In the first scenario, the optimal solution utilizes all five battery technologies, with Li-Ion LFP batteries providing the largest installed energy capacity, while Lead Acid batteries also contribute significantly to the overall system configuration. In contrast, the second scenario selects only Li-Ion LFP and NaS batteries according to the economic assumptions adopted in this study. In both scenarios, the system achieves full annual demand coverage while satisfying all technical operating constraints. 
Overall, the proposed methodology demonstrates that combining annual time-series simulation with Genetic Algorithms provides an effective and reliable approach for the optimal sizing of hybrid Battery Energy Storage Systems. Furthermore, the study highlights that the optimal selection of battery technologies depends not only on their technical characteristics but also on the operating strategy and the economic parameters considered during the optimization process.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Κωνσταντίνου Τσάμη 

με θέμα

Ενεργό Ρομποτικό SLAM (Simultaneous Localization and Mapping) με χρήση Ενισχυτικής Μάθησης

Active Robot SLAM (Simultaneous Localization and Mapping) using Reinforcement Learning

Εξεταστική Επιτροπή

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

Περίληψη

Τα αυτόνομα ρομπότ χρησιμοποιούνται όλο και περισσότερο για την εξερεύνηση και τη χαρτογράφηση περιβαλλόντων που είναι άγνωστα και συχνά επικίνδυνα για τον άνθρωπο. Η εξερεύνηση και η χαρτογράφηση συνδέονται στενά με το πρόβλημα του Ταυτόχρονου Εντοπισμού Θέσης και Χαρτογράφησης (Simultaneous Localization and Mapping – SLAM), το οποίο απαντά σε δύο ερωτήματα ταυτόχρονα: «Πού βρίσκομαι;» και «Πώς μοιάζει ο κόσμος;» Όταν το ίδιο το ρομπότ αποφασίζει πού και πώς θα κινηθεί κατά τη διάρκεια του SLAM, ώστε να διατηρεί τον χάρτη και τη θέση του ακριβή, το πρόβλημα γίνεται Ενεργό SLAM (Active SLAM). Η παρούσα διπλωματική εργασία μελετά το Ενεργό SLAM για κινητά ρομπότ σε άγνωστα περιβάλλοντα με χρήση Ενισχυτικής Μάθησης (Reinforcement Learning) για τη λήψη αυτών των αποφάσεων. Ο πράκτορας παρατηρεί το περιβάλλον μέσω του (μερικού, ημιτελή) χάρτη που παράγεται κατά τη διαδικασία του SLAM. Με βάση αυτήν την παρατήρηση, επιλέγει μια ενέργεια που αντιστοιχεί σε μετακίνηση προς κάποια θέση-στόχο μέσα στο περιβάλλον. Στόχος του πράκτορα είναι να μάθει πώς να λαμβάνει αποφάσεις μετακίνησης, έτσι ώστε αποδοτικά να κατασκευάσει έναν συνεπή χάρτη που να καλύπτει όσο το δυνατόν μεγαλύτερο μέρος του περιβάλλοντος, διατηρώντας παράλληλα σταθερή εκτίμηση της θέσης του μέσα στον υπό κατασκευή χάρτη. Η προτεινόμενη μέθοδος βασίζεται στον αλγόριθμο Deep Q-Network (DQN). Επειδή η τρέχουσα κατάσταση του περιβάλλοντος αναπαρίσταται ως εικόνα, στον αλγόριθμο ενισχυτικής μάθησης ενσωματώνονται και Συνελικτικά Νευρωνικά Δίκτυα (CNN) για αποδοτικότερη επεξεργασία. Όλα τα πειράματα διεξήχθησαν στο περιβάλλον προσομοίωσης Gazebo, χρησιμοποιώντας το Robot Operating System (ROS) και ένα τροχοφόρο κινητό ρομπότ εξοπλισμένο με αισθητήρα LiDAR. Τα αποτελέσματα δείχνουν ότι ο πράκτορας μαθαίνει να αντιμετωπίζει το πρόβλημα σε διάφορα περιβάλλοντα με διαφορετικά χαρακτηριστικά. Πραγματοποιήθηκαν επίσης πειράματα σε εντελώς άγνωστα περιβάλλοντα που δεν χρησιμοποιήθηκαν κατά την εκπαίδευση, όπου ο πράκτορας διατήρησε σχετικά σταθερή εκτίμηση της θέσης του και χαρτογράφησε ικανοποιητικά μεγάλο μέρος του περιβάλλοντος. 

Abstract

Autonomous robots are increasingly used to explore and map environments that are unknown and often unsafe for people. Exploration and mapping are closely related to the Simultaneous Localization and Mapping (SLAM) problem, which answers two questions at the same time: “Where am I?” and “What does the world look like?” When the robot itself decides where and how to move during SLAM, so as to keep both the map and its position accurate, the problem becomes Active SLAM. This diploma thesis studies Active SLAM for mobile robots in unknown environments using Reinforcement Learning to make these decisions. The agent observes the environment through the (partial, incomplete) map produced during the SLAM process. Based on this observation, it selects an action that corresponds to locomotion to a target location in the environment. The objective of the agent is to learn how to make locomotion decisions, in order to efficiently build a consistent map that covers as much of the environment as possible, while it keeps a stable estimate of its position within the map under construction. The proposed method is based on the Deep Q-Network (DQN) algorithm. Since the state is represented as an image, Convolutional Neural Networks (CNNs) are integrated into the reinforcement learning algorithm for efficient processing. All experiments were conducted in the Gazebo simulation environment, using the Robot Operating System (ROS) and a wheeled mobile robot equipped with LiDAR sensor. The results show that the agent learns to address the problem in several environments with different characteristics. Experiments were also conducted in totally unknown environments that were not used during training, where the agent kept a relatively stable estimate of its position and mapped satisfactorily a large part of the environment.

Meeting ID: 92827658713
Password: 694946

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Κλέϊντα Γιαούπι

με θέμα

Ανάπτυξη Ενσωματωμένου Συστήματος Καταγραφής και Ανάλυσης Βιοσημάτων

Design and Implementation of an Embedded System for Biosignal Acquisition and Analysis

Εξεταστική Επιτροπή

Καθηγητής Μιχαήλ Ζερβάϰης (επιβλέπων)
Καθηγητής Μιχαήλ Γ. Λαγουδάϰης
Επίκουρος Καθηγητής Μάριος Αντωναϰάϰης (ΕΛΜΕΠΑ)

Περίληψη

Η Ηλεϰτροεγϰεφαλογραφία είναι η μοναδική ευρέως προβάσιμη τεχνολογία που επιτρέπει την καταγραφή της εγκεφαλικής δραστηριότητας με ανάλυση της τάξης του χιλιοστού του δευτερολέπτου. Παρά τις δεκαετίες μεθοδολογικής εξέλιξης, οι τυπικές εργαστηριακές διατάξεις εξακολουθούν να είναι δαπανηρές, μη φορητές και να παρέχουν αργή ανατροφοδότηση κατά τη διάρκεια της καταγραφής. Η παρούσα διπλωματική εργασία διερευνά αν το ίδιο επιστημονικό έργο μπορεί να επιτευχθεί σε έναν προσιτό ενσωματωμένο υπολογιστή Raspberry Pi 5, μέσω της κατασκευής ενός πλήρους συστήματος παρακολούθησης και ανάλυσης EEG σε πραγματικό χρόνο σε συνεργασία με το ασύρματο ακουστικό g.tec Unicorn Hybrid Black. Το σύστημα υλοποιεί ολόκληρη τη διαδικασία επεξεργασίας πάνω σε μία
μόνο ενσωματωμένη πλακέτα: λήψη σήματος μέσω Bluetooth από το ακουστικό, επιλογή καναλιών, φιλτράρισμα ζώνης αποκοπής (notch) ϰαι ζωνοδιαβατό (bandpass), καϑώς και εκτίμηση φασματικής πυκνότητας ισχύος ϰατά Welch, με εξαγωγή χαρακτηριστικών ισχύος και λόγων ζωνών. Η οπτικοποίηση και ο έλεγχος όλων αυτών των διεργασιών, που εκτελούνται συγχρονισμένα, πραγματοποιούνται μέσω ενός πίνακα ελέγχου (dashboard) στον browser του ερευνητή. Πέρα από την κλασική επεξεργασία, ενσωματώνεται ένα εξατομικευμένο ανά υποκείμενο σύστημα ανίχνευσης ανωμαλιών, εκπαιδευμένο από μια σύντομη καταγραφή της κατάστασης ηρεμίας του. Αυτή λαμβάνεται ως baseline στην αρχή κάϑε
συνεδρίας επισημαίνοντας αποκλίσεις από το ατομικό πρότυπο τόσο σε πραγματικό χρόνο όσο και στην offline ανάλυση. Η επιβεβαίωση της λειτουργικότητας του συστήματος έγινε μέσω του κλασικού οπτικού παραδείγματος oddball, στο οποίο ο εξεταζόμενος καλείται να μετρήσει σπάνια ερεθίσματα μέσα σε μια ροή συχνότερων ερεθισμάτων. Το σύστημα ανέκτησε την αναμενόμενη απόκριση P300, με τιμές πλάτους και υστέρησης πλήρως συμβατές με τη βιβλιογραφία και η ανάλυση επιβεβαίωσε το εύρημα. Η εργασία δείχνει ότι μια φορητή, οικονομική πλατφόρμα EEG ανοιχτού κώδικα μπορεί να λειτουργήσει ως ολοκληρωμένο ερευνητικό όργανο.

Abstract

Electroencephalography (EEG) is the only widely accessible technology that enables the recording of brain activity with millisecond-scale temporal resolution. Despite decades of methodological advancement, standard laboratory setups remain expensive, non-portable, and provide delayed feedback during recording. This thesis investigates whether the same scientific work can be achieved on an affordable embedded computer, the Raspberry Pi 5, through the development of a complete real-time EEG monitoring and analysis system in conjunction with the wireless g.tec Unicorn Hybrid Black headset. The system implements the entire processing pipeline on a single embedded board: signal acquisition via Bluetooth from the headset, channel selection, notch and bandpass filtering, as well as power spectral density estimation using Welch’s method, with the extraction of power features and band ratios. Visualization and control of all these synchronously running processes are carried out through a dashboard in the researcher’s browser. Beyond conventional processing, the system incorporates a subject- specific anomaly detection module, trained on a short recording of the subject’s resting state. This baseline is recorded at the start of each session, enabling the system to flag deviations from the individual’s normal pattern both in real time and during offline analysis. The functionality of the system was validated using the classic visual oddball paradigm, in which the participant is asked to count rare stimuli within a sequence of standard stimuli. The system successfully recovered the expected P300 response, with amplitude and latency values fully consistent with the literature, and subsequent analysis robustly confirmed these findings. This work demonstrates that a portable, low-cost, and open-source EEG platform can function effectively as a complete research instrument

Meeting ID: 954 649 5567
Password: 956799

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ευγενίας Αναστασοπούλου

με θέμα

Ανάπτυξη Ηλεκτρονικού Συστήματος Συλλογής Δεδομένων για Διαχείριση Ενέργειας Κτηρίων
Development of an Electronic data-acquisition System for Building Energy Management

Εξεταστική Επιτροπή

Καθηγητής Ευτύχιος Κουτρούλης (επιβλέπων)
Καθηγητής Σωτήριος Ιωαννίδης
Επίκουρος Καθηγητής Γεώργιος Πέππας

Περίληψη

Η συνεχώς αυξανόµενη διείσδυση των Ανανεώσιµων Πηγών Ενέργειας, η ανάπτυξη των έξυπνων ηλεκτρικών δικτύων και η ανάγκη για αποδοτικότερη αξιοποίηση της ηλεκτρικής ενέργειας έχουν αναδείξει τη σηµασία της παρακολούθησης της κατανάλωσης ηλεκτρικής ενέργειας σε πραγµατικό χρόνο, σε επίπεδο κτηρίου. Η παρακολούθηση της λειτουργίας µεµονωµένων οικιακών ηλεκτρικών συσκευών αποτελεί ϐασική προϋπόθεση για την ανάπτυξη συστηµάτων ενεργειακής διαχείρισης, τα οποία µπορούν να ϐελτιστοποιήσουν την κατανάλωση, να αξιοποιήσουν τη δυναµική τιµολόγηση της ηλεκτρικής ενέργειας και να υποστηρίξουν κτήρια που διαθέτουν τοπική παραγωγή και αποθήκευση ενέργειας. Οι έξυπνοι µετρητές ηλεκτρικής ενέργειας, οι οποίοι υποστηρίζουν αµφίδροµη επικοινωνία και µετρήσεις σε πραγµατικό χρόνο, αποτελούν τη ϐασική τεχνολογική υποδοµή για αυτή τη λειτουργικότητα, αντικαθιστώντας τους παϱαδοσιακούς αναλογικούς µετρητές που δεν παρείχαν δυνατότητες αποµακρυσµένης παρακολούθησης ή ελέγχου. 
Στόχος της παρούσας διπλωµατικής εργασίας ήταν ο σχεδιασµός και η υλοποίηση, σε εργαστηριακό επίπεδο, ενός ηλεκτρονικού συστήµατος συλλογής δεδοµένων για εϕαρµογές ενεργειακής διαχείρισης κτηρίων, ικανού να µετρά σε πραγµατικό χρόνο ηλεκτρικά και περιβαλλοντικά µεγέθη, να τα µεταδίδει ασύρµατα σε έναν κεντρικό κόµβο και να αποτελεί την απαραίτητη υποδοµή για τη µελλοντική εφαρµογή αλγορίθµων ενεργειακής διαχείρισης. Τα πειραµατικά αποτελέσµατα επιβεβαίωσαν την ορθή λειτουργία του συστήµατος που αναπτύχθηκε.

Abstract 

The growing penetration of Renewable Energy Sources, the development of smart electrical grids, and the need for more efficient use of electrical energy have made real-time, building-level consumption data increasingly important. Monitoring the operation of individual household appliances is a prerequisite for developing energy management systems that can optimize consumption, exploit dynamic electricity pricing, and support buildings with local generation and storage capabilities. Smart energy meters, capable of two-way communication and real-time measurement, provide the technological foundation for this functionality, replacing traditional analog meters that offered no remote monitoring or control. 
The goal of this thesis was to design and implement, at the laboratory level, an electronic data-acquisition system for building energy management, capable of measuring electrical and environmental quantities in real time, transmitting them wirelessly to a central node, and forming the infrastructure for the future application of energy management algorithms. The experimental results confirmed the successful operation of the developed system.

Meeting ID: 967 8767 2714
Password: 259569

ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ

Κωνσταντίνου Ζαχαρόπουλου

με θέμα

Από Πρωτεΐνες σε Νευρώνες : Τοπολογίες Βιολογικών Δικτύων για Νευροεξέλιξη 

From Proteins to Neurons: Biological Network Topologies for Neuroevolution

Εξεταστική Επιτροπή

Καθηγητής Σωτήριος Ιωαννίδης (επιβλέπων) (ΠΚ, Σχολή ΗΜΜΥ)
Καθηγητής Μιχαήλ Ζερβάκης (ΠΚ, Σχολή ΗΜΜΥ)
Δρ Ιωάννης Αραπάκης (Telefonica Scientific Research) 

Περίληψη

Η Φυσική Υπολογιστική (Natural Computing) αποτελεί ένα διεπιστημονικό πεδίο που αντλεί έμπνευση από βιολογικές, φυσικές και εξελικτικές διεργασίες με σκοπό την ανάπτυξη μοντέλων Μηχανικής Μάθησης (Machine Learning – ML). Στο πλαίσιο αυτό, οι εξελικτικοί αλγόριθμοι και τα τεχνητά νευρωνικά δίκτυα έχουν αναδείξει ότι δομές που βρίσκονται στη φύση, μπορούν να δημιουργήσουν αποτελεσματικά υπολογιστικά μοντέλα για την επίλυση σύνθετων προβλημάτων. Η παρούσα διπλωματική εργασία παρουσιάζει ένα βιολογικά θεμελιωμένο νευροεξελικτικό αλγόριθμο, στο οποίο οι αρχιτεκτονικές Δικτύων Γραφικών Νευρώνων (Graph Neural Networks – GNNs) δημιουργούνται αξιοποιώντας πραγματικά δίκτυα πρωτεϊνικών αλληλεπιδράσεων (Protein–Protein Interaction – PPI), προερχόμενα από οργανισμούς όπως o ζυμομύκητας , ο ποντικός και ο άνθρωπος. Στην προτεινόμενη προσέγγιση, οι νευρώνες αντιστοιχίζονται σε πρωτεϊνικές οντότητες, ενώ η συναπτική συνδεσιμότητα περιορίζεται από τις πειραματικά τεκμηριωμένες αλληλεπιδράσεις που παρατηρούνται στα γνωστά δίκτυα PPI. Ως αποτέλεσμα, οι αρχικές νευρωνικές τοπολογίες κληρονομούν χαρακτηριστικά που συναντώνται στα δίκτυα PPI, όπως η διάσπαρτη συνδεσιμότητα, η τμηματική οργάνωση και τα πολύπλοκα πρότυπα αλληλεπίδρασης. Σε αντίθεση με τα συμβατικά GNNs, τα οποία εκπαιδεύονται αποκλειστικά μέσω βελτιστοποίησης βασισμένης στην οπισθοδιάδοση σφάλματος και σε μεθόδους κλίσης (gradient-based optimization), το προτεινόμενο πλαίσιο υλοποιεί πληθυσμιακή εξελικτική βελτιστοποίηση μέσω βιολογικά εμπνευσμένων μηχανισμών μετάλλαξης, επιλογής και προσαρμογής της τοπολογίας. Το σύστημα υποστηρίζει τόσο την εξέλιξη των παραμέτρων όσο και τη δομική τροποποίηση του νευρωνικού δικτύου, επιτρέποντας τη δυναμική προσαρμογή του κατά τη διάρκεια διαδοχικών γενεών. Το προτεινόμενο πλαίσιο αξιολογείται σε προβλήματα ταξινόμησης κόμβων (node classification) και παλινδρόμησης (regression), χρησιμοποιώντας καθιερωμένα σύνολα δεδομένων αναφοράς για γράφους, με στόχο να διερευνηθεί κατά πόσο οι δομές συνδεσιμότητας που προέρχονται από βιολογικά δίκτυα μπορούν να λειτουργήσουν ως αποτελεσματικές επαγωγικές παραδοχές (inductive priors) για τη νευρωνική υπολογιστική. Επιπλέον, εξετάζεται η επίδραση των ειδικά διαμορφωμένων τοπολογιών αλληλεπιδράσεων πρωτεϊνών κάθε οργανισμού στη μαθησιακή συμπεριφορά, στη δυναμική σύγκλισης, στη δομική ποικιλότητα και στην εξελικτική προσαρμογή του συστήματος, προκειμένου να αξιολογηθούν η ευρωστία και η επεκτασιμότητά του. Τα πειραματικά αποτελέσματα αναδεικνύουν τη σκοπιμότητα ενσωμάτωσης βιολογικών δικτύων αλληλεπιδράσεων σε συστήματα μάθησης επί γράφων, αποδεικνύοντας ότι οι νευρωνικές αρχιτεκτονικές που καθοδηγούνται από δίκτυα PPI αποτελούν μια πολλά υποσχόμενη ερευνητική κατεύθυνση στον χώρο της Φυσικής Υπολογιστικής και της βιολογικά εμπνευσμένης Τεχνητής Νοημοσύνης.

Abstract

Natural computing is an interdisciplinary field inspired by biological, physical, and evolutionary processes in order to develop MachineLearning (ML) models. Within this domain, evolutionary algorithms and artificial neural networks have shown that naturally occurring structures can provide effective models for solving complex learning tasks. This thesis introduces a biologically grounded neuroevolutionary framework in which graph neural network (GNN) architectures are generated using real-world protein-protein interaction (PPI) networks derived from species including yeast, mouse, and human. In the proposed approach, neurons are associated with protein entities, while synaptic connectivity is constrained by experimentally observed in known PPI networks. Consequently, initialized neural topologies inherit the structural characteristics observed in PPI networks, such as sparse connectivity, modular organization, and complex interaction patterns. Unlike conventional GNNs trained through gradient-based optimization alone, the proposed framework performs population-based evolutionary optimization through biologically inspired mutation, selection, and topology adaptation. The system supports both parameter evolution and structural neural modification, enabling dynamic adaptation over successive generations. The framework is evaluated on both node classification and regression tasks using established graph benchmark datasets in order to investigate whether biologically derived connectivity structures can function as effective inductive priors for neural computation. The influence of species-specific protein interaction topologies on learning behavior, convergence dynamics, structural diversity, and evolutionary adaptation is also examined in order to ensure robustness and scalability. Experimental results showcase the feasibility of integrating biological interaction networks into graph learning systems, therefore proving that PPI-guided neural architectures present a promising research direction within Natural Computing and biologically inspired artificial intelligence.

Meetin ID: 992 8792 4476 
Password: 019995 

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Δημητρίου Σπανού 

με θέμα

Απλή Υπηρεσία Αναζήτησης σε Περιγραφές AsyncAPI με Σημασιολογικές Επεκτάσεις

Simple Querying Service for AsyncAPI Descriptions with Semantic Web Extensions

Εξεταστική Επιτροπή

Καθηγητής Ευριπίδης Γ. Μ. Πετράκης (Επιβλέπων)
Καθηγητής Αντώνιος Δεληγιαννάκης
Καθηγητής Γεώργιος Χαλκιαδάκης

Περίληψη

Η παρούσα διπλωματική εργασία παρουσιάζει την AsyncAPI Query Language (AAQL), μια γλώσσα για την υποβολή ερωτημάτων σε AsyncAPI documents. Το AsyncAPI είναι ένα καθιερωμένο πρότυπο για την περιγραφή event-driven services, βασισμένο σε JSON και YAML. Η AAQL έχει σχεδιαστεί με σύνταξη παρόμοια με αυτή της SQL και υποστηρίζει την υποβολή ερωτημάτων στα πιο συχνά χρησιμοποιούμενα πεδία του AsyncAPI (με πλήρη συντακτική κάλυψη των AsyncAPI documents), καθώς και στα semantic annotations που προτείνονται στην AAQL για τον εμπλουτισμό της αναπαραστατικής ισχύος του AsyncAPI. Υλοποιήθηκε ένα Web service ικανό να εκτελεί ερωτήματα AAQL. Το service αυτό αποθηκεύει metadata για κάθε περιγραφή και εκτελεί τα ερωτήματα επί των metadata, ώστε να αποφεύγεται η επιβάρυνση των υπολογιστικά ακριβών join operations. Δημιουργεί indexes για την επιτάχυνση των ερωτημάτων, μπορεί να διαχειριστεί σύνθετα Schema objects και χρησιμοποιεί reasoning για την υποστήριξη αναζήτησης σε semantic models στα οποία αναφέρονται ιδιότητες του AsyncAPI. Η AAQL επιδεικνύει σχεδόν real-time απόδοση σε μια βάση δεδομένων δοκιμών με 20.332 AsyncAPI documents, ακόμη και για σύνθετα ερωτήματα που συνδυάζουν περισσότερες από μία ιδιότητες. Σε σύγκριση με την OAQL2, το σύστημα που σχεδιάστηκε για το OpenAPI, η AAQL είναι μια γλώσσα ερωτημάτων σχεδιασμένη για το event-driven πεδίο, εισάγοντας νέους πίνακες όπως Broker, Channel, Message και MessageContent.

Abstract

This thesis presents AsyncAPI Query Language (AAQL), a language for querying AsyncAPI documents. AsyncAPI is a well-established format for describing eventdriven services, based on JSON and YAML. AAQL is designed with syntax similar to SQL and supports querying the most commonly used fields of AsyncAPI (with complete syntax coverage for AsyncAPI documents) as well as the semantic annotations proposed in AAQL to enrich the representational power of AsyncAPI. A Web service capable of executing AAQL queries was implemented. This service stores metadata for each description and executes the queries on metadata to avoid the overhead of expensive join operations. It builds indexes to speed up queries, can handle composite Schema objects, and uses reasoning to support searching on semantic models referred to by AsyncAPI properties. AAQL demonstrates almost real-time performance on a test database with 20,332 AsyncAPI documents even for complex queries combining more than one property. Compared to OAQL2, the system designed for OpenAPI, AAQL is a query language designed for the event-driven domain, introducing new tables such as Broker, Channel, Message and MessageContent.

Meeting ID: 613 764 0471
Password: 582678

ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ (ΔΙΔΑΚΤΟΡΙΚΗΣ ΔΙΑΤΡΙΒΗΣ)

ΑΠΟΣΤΟΛΟΥ ΚΑΡΑΣΜΑΝΟΓΛΟΥ

με θέμα

Πολυτροπική Ανίχνευση Ανωμαλιών σε Πολλαπλά Βιοσήματα με χρήση Τεχνικών Μηχανικής και Βαθιάς Μάθησης για τον Εντοπισμό Μοτίβων Επιληψίας
Multimodal Anomaly Detection on Multiple Biosignals using Machine and Deep Learning Techniques for Identifying Epilepsy Patterns

Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
Καθηγητής Διονύσιος Χριστόπουλος
Επίκουρος Καθηγητής Μάριος Αντωνακάκης (ΕΛΜΕΠΑ, Τμήμα Ηλεκτρονικών Μηχανικών)

Περίληψη
Η επιληψία επηρεάζει σημαντικό μέρος του πληθυσμού και χαρακτηρίζεται από επαναλαμβανόμενες κρίσεις χωρίς προφανή εξωτερική αιτία, που προκύπτουν από μη φυσιολογικές, εκτεταμένες ηλεκτρικές εκκενώσεις στον εγκέφαλο. Τα επακόλουθα συμπτώματα κυμαίνονται από σύντομες απώλειες συνείδησης έως σοβαρά σπασμωδικά επεισόδια, με άμεσες συνέπειες στην ασφάλεια και την ποιότητα ζωής των ασθενών. Η έγκαιρη αυτόματη ανίχνευση και πρόβλεψη των κρίσεων είναι συνεπώς απαραίτητη, καθώς επιτρέπει παρεμβάσεις που μπορούν να μειώσουν τη βλάβη και να βελτιώσουν τα κλινικά αποτελέσματα. Οι συμβατικές προσεγγίσεις αυτόματης παρακολούθησης κρίσεων βασίζονται σε μεγάλο βαθμό στην ηλεκτροεγκεφαλογραφία (ΗΕΓ) και τη μαγνητοεγκεφαλογραφία (ΜΕΓ), οι οποίες καταγράφουν άμεσα τη νευρωνική δραστηριότητα. Πιο πρόσφατα, η ηλεκτροκαρδιογραφία (ΗΚΓ) έχει αναδειχθεί ως μια συμπληρωματική μεθοδολογία, καθώς οι αυτονομικές μεταβολές που προηγούνται μιας κρίσης αντικατοπτρίζονται στην καρδιακή δραστηριότητα. Ειδικότερα, οι προεπιληπτικές μεταβολές στο Αυτόνομο Νευρικό Σύστημα (ΑΝΣ) εκδηλώνονται ως μετρήσιμες αλλαγές στη Μεταβλητότητα του Καρδιακού Ρυθμού (HRV), προσφέροντας μια μη επεμβατική οδό αυτόματης παρακολούθησης κρίσεων που δεν εξαρτάται αποκλειστικά από το ΗΕΓ. Καθώς οι περισσότερες υπάρχουσες προσεγγίσεις απαιτούν ακόμη μεγάλα, πλήρως επισημασμένα σύνολα δεδομένων, παραμένει σαφής η ανάγκη για ημι-επιβλεπόμενα συστήματα ικανά να λειτουργούν με περιορισμένη επίβλεψη και συνεπώς καταλληλότερα για πραγματική χρήση. Η παρούσα διατριβή αναπτύσσει και αξιολογεί ένα τέτοιο σύστημα: μια ολοκληρωμένη μεθοδολογία ημι-επιβλεπόμενης ανίχνευσης ανωμαλιών για την ανίχνευση και πρόβλεψη επιληπτικών κρίσεων από σήματα ΗΚΓ και ΗΕΓ, σχεδιασμένη με γνώμονα την ενσωμάτωση σε φορητές συσκευές και την προσαρμοστικότητα στον εκάστοτε ασθενή. Το αναπτυχθέν σύστημα μπορεί να λειτουργήσει είτε με δεδομένα ΗΚΓ είτε ΗΕΓ, είτε και τα δύο από κοινού, απαιτώντας ελάχιστα επισημασμένα δεδομένα, καθιστώντας το κατάλληλο για πραγματική κλινική χρήση. Πραγματοποιήθηκαν δύο μελέτες για την αξιολόγηση αυτής της προσέγγισης. Η πρώτη αξιοποίησε χαρακτηριστικά Μεταβλητότητας Καρδιακού Ρυθμού που προέρχονται από ΗΚΓ σε διάφορα μοντέλα ανίχνευσης ανωμαλιών, επισημαίνοντας με επιτυχία μεταβολές στο HRV έως και 30 λεπτά πριν την έναρξη της κρίσης σε 9 επεισόδια κρίσεων από 7 ασθενείς, δείχνοντας ότι τα καρδιακά σήματα από μόνα τους φέρουν χρήσιμη προγνωστική πληροφορία για λιγότερο επεμβατική παρακολούθηση. Η δεύτερη μελέτη επέκτεινε το σύστημα σε πολυτροπική χρήση, συνδυάζοντας ΗΚΓ και ΗΕΓ σε 29 καταγραφές κρίσεων από 7 παιδιατρικούς ασθενείς· αυτή η συνδυαστική προσέγγιση πέτυχε ισχυρή απόδοση ανίχνευσης και πρόβλεψης απαιτώντας παράλληλα ελάχιστη επίβλεψη, με τη σύντηξη και των δύο τύπων σημάτων να βελτιώνει τη συνολική αξιοπιστία χωρίς να αίρει την καταλληλότητα του συστήματος για φορητή χρήση. Από κοινού, αυτές οι μελέτες υποστηρίζουν την εφικτότητα υλοποίησης προσιτών, άνετων για τον ασθενή συστημάτων έγκαιρης προειδοποίησης που θα μπορούσαν να βελτιώσουν ουσιαστικά την ποιότητα ζωής των ανθρώπων που ζουν με επιληψία.

Abstract
Epilepsy affects a substantial portion of the population and is defined by recurrent, unprovoked seizures arising from abnormal, excessive electrical discharges in the brain. The resulting symptoms range from brief lapses in awareness to severe convulsive episodes, with direct consequences for patients' safety and quality of life. Timely automatic detection and prediction of seizures is therefore essential, as it allows for interventions that can reduce harm and improve outcomes. Conventional automatic seizure-monitoring approaches rely heavily on electroencephalography (EEG) and magnetoencephalography (MEG), both of which directly capture neural activity. More recently, electrocardiography (ECG) has emerged as a complementary modality, since the autonomic changes that precede a seizure are reflected in cardiac activity. In particular, pre-ictal shifts in the Autonomic Nervous System (ANS) manifest as measurable changes in Heart Rate Variability (HRV), offering a non-invasive route to automatic seizure monitoring that does not depend on EEG alone. Because most existing approaches still require large, fully labelled datasets, there remains a clear need for semi-supervised frameworks capable of operating with limited supervision and therefore better suited to real-world deployment. This thesis develops and evaluates such a framework: a semi-supervised anomaly detection pipeline for epileptic seizure detection and prediction from ECG and EEG signals, designed with wearable-device integration and patient-specific adaptability in mind. The resulting system can operate on either ECG or EEG inputs, or both jointly, while needing only minimal labelled data, making it suitable for real-world clinical use. Two studies were carried out to evaluate this approach. The first applied ECG-derived Heart Rate Variability features within several anomaly detection models, successfully flagging HRV alterations up to 30 minutes before seizure onset across 9 seizure events from 7 patients, and showing that cardiac signals alone carry useful predictive information for less invasive monitoring. The second study extended the framework to a multi-modal setting, combining ECG and EEG across 29 seizure recordings from 7 pediatric patients; this combined approach achieved robust detection and prediction performance while still requiring only minimal supervision, with the fusion of both signal types improving overall reliability without sacrificing suitability for wearable use. Together, these studies support the feasibility of accessible, patient-friendly early-warning systems that could meaningfully improve quality of life for people living with epilepsy.

Meeting ID: 954 649 5567
Password: 956799

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

ΑΝΤΩΝΟΓΙΑΝΝΑΚΗ ΙΩΑΝΝΗ

με θέμα

Βέλτιστη Εκτέλεση Ροών Εργασίας σε Πλατφόρμες IoT με Αντιγραφή Τελεστών
Optimal Workflow Execution Across IoT Platforms with Operator Replication

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

Περίληψη
Πολλές IoT εφαρμογές σε διαφορετικούς τομείς βασίζονται στην εκτέλεση ροών εργασίας ανάλυσης δεδομένων σε πραγματικό χρόνο, ώστε να επιτυγχάνεται έγκαιρη λήψη αποφάσεων. Η αποδοτική εκτέλεση αυτών των ροών εργασίας απαιτεί την αξιοποίηση της διαθέσιμης υπολογιστικής ισχύος σε όλο το cloud-to-edge συνεχές. Ωστόσο, η ετερογένεια και η κλίμακα αυτών των περιβάλλοντων καθιστούν την εύρεση βέλτιστων πλάνων εκτέλεσης πιο δύσκολη. Συγκεκριμένα, οι ροές των δεδομένων αλλάζουν δυναμικά με την πάροδο του χρόνου, ενώ τα μεγαλύτερα IoT δίκτυα αυξάνουν την πολυπλοκότητα του προβλήματος βελτιστοποίησης. Για την αντιμετώπιση αυτού του προβλήματος, έχει προταθεί ο DAG*, ένας αλγόριθμος εμπνευσμένος από τον A*, ο οποίος μειώνει τον χώρο αναζήτησης που εξερευνάται, διατηρώντας παράλληλα τη βέλτιστότητα για το παραγόμενο πλάνο εκτέλεσης. Στον DAG*, κάθε τελεστής ανατίθεται σε έναν τρόπο εκτέλεσης, ο οποίος καθορίζει την συσκευή όπου εκτελείται και την πλατφόρμα που χρησιμοποιείται για την εκτέλεσή του. Βασισμένη σε αυτή την προσέγγιση, η παρούσα διπλωματική επεκτείνει τη λογική των τρόπων εκτέλεσης τελεστών του DAG*, λαμβάνοντας επίσης υπ' όψιν τον αριθμό των πυρήνων επεξεργασίας της συσκευής που ανατίθενται σε κάθε τελεστή. Ο στόχος είναι να αξιοποιηθούν πιο αποτελεσματικά οι διαθέσιμοι πόροι των συσκευών και να μειωθεί η εκτιμώμενη καθυστέρηση εκτέλεσης της ροής εργασίας.

Abstract 
Many IoT applications across different domains depend on the real-time execution of online analytics workflows to achieve timely decision-making. The efficient execution of analytics workflows requires the uti- lization of the available processing power available across the cloud-to-edge continuum. However, the heterogeneity and scale of these environments make the derivation of optimal execution plans more challenging. In particular, input data streams change dynamically over time, whereas larger IoT networks increase the complexity of the optimization problem. To address this problem, DAG* was proposed as an A*-alike algorithm that prunes the explored search space while retaining optimality for the produced workflow execution plan. In DAG*, each operator is assigned to an execution configuration, which determines the site where it is executed and the platform used for its execution. Building on this approach, this thesis extends the configuration logic of DAG* by also considering the number of processing site cores assigned to each operator. The goal is to exploit available site resources more effectively and reduce the estimated end-to-end workflow latency.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

ΑΝΤΩΝΟΓΙΑΝΝΑΚΗ ΙΩΑΝΝΗ

με θέμα

Βέλτιστη Εκτέλεση Ροών Εργασίας σε Πλατφόρμες IoT με Αντιγραφή Τελεστών
Optimal Workflow Execution Across IoT Platforms with Operator Replication

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

Περίληψη
Πολλές IoT εφαρμογές σε διαφορετικούς τομείς βασίζονται στην εκτέλεση ροών εργασίας ανάλυσης δεδομένων σε πραγματικό χρόνο, ώστε να επιτυγχάνεται έγκαιρη λήψη αποφάσεων. Η αποδοτική εκτέλεση αυτών των ροών εργασίας απαιτεί την αξιοποίηση της διαθέσιμης υπολογιστικής ισχύος σε όλο το cloud-to-edge συνεχές. Ωστόσο, η ετερογένεια και η κλίμακα αυτών των περιβάλλοντων καθιστούν την εύρεση βέλτιστων πλάνων εκτέλεσης πιο δύσκολη. Συγκεκριμένα, οι ροές των δεδομένων αλλάζουν δυναμικά με την πάροδο του χρόνου, ενώ τα μεγαλύτερα IoT δίκτυα αυξάνουν την πολυπλοκότητα του προβλήματος βελτιστοποίησης. Για την αντιμετώπιση αυτού του προβλήματος, έχει προταθεί ο DAG*, ένας αλγόριθμος εμπνευσμένος από τον A*, ο οποίος μειώνει τον χώρο αναζήτησης που εξερευνάται, διατηρώντας παράλληλα τη βέλτιστότητα για το παραγόμενο πλάνο εκτέλεσης. Στον DAG*, κάθε τελεστής ανατίθεται σε έναν τρόπο εκτέλεσης, ο οποίος καθορίζει την συσκευή όπου εκτελείται και την πλατφόρμα που χρησιμοποιείται για την εκτέλεσή του. Βασισμένη σε αυτή την προσέγγιση, η παρούσα διπλωματική επεκτείνει τη λογική των τρόπων εκτέλεσης τελεστών του DAG*, λαμβάνοντας επίσης υπ' όψιν τον αριθμό των πυρήνων επεξεργασίας της συσκευής που ανατίθενται σε κάθε τελεστή. Ο στόχος είναι να αξιοποιηθούν πιο αποτελεσματικά οι διαθέσιμοι πόροι των συσκευών και να μειωθεί η εκτιμώμενη καθυστέρηση εκτέλεσης της ροής εργασίας.

Abstract 
Many IoT applications across different domains depend on the real-time execution of online analytics workflows to achieve timely decision-making. The efficient execution of analytics workflows requires the uti- lization of the available processing power available across the cloud-to-edge continuum. However, the heterogeneity and scale of these environments make the derivation of optimal execution plans more challenging. In particular, input data streams change dynamically over time, whereas larger IoT networks increase the complexity of the optimization problem. To address this problem, DAG* was proposed as an A*-alike algorithm that prunes the explored search space while retaining optimality for the produced workflow execution plan. In DAG*, each operator is assigned to an execution configuration, which determines the site where it is executed and the platform used for its execution. Building on this approach, this thesis extends the configuration logic of DAG* by also considering the number of processing site cores assigned to each operator. The goal is to exploit available site resources more effectively and reduce the estimated end-to-end workflow latency.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

ΠΕΤΡΟΥ ΜΠΙΜΠΙΡΗ

με θέμα

Μηχανισμοί Ψηφοφοριών ως Τεχνική Συμψηφισμού Μεντόρων Ενισχυτικής Μάθησης μέσω Μίμησης

Voting Mechanisms as a Mentor Aggregation Technique for Imitation Reinforcement Learning

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

Περίληψη

Την τελευταία δεκαετία η μηχανική μάθηση έχει γίνει εξαιρετικά δημοφιλής, καθώς προσφέρει λύσεις σε  προβλήματα στα οποία οι συμβατικοί αλγόριθμοι υστερούν. Ένα πολλά υποσχόμενο υπό-πεδίο της μηχανικής μάθησης είναι η μάθηση από μίμηση (imitation learning), όπου ένας πράκτορας-μαθητής παρακολουθεί έναν μέντορα να εκτελεί κάποια διαδικασία (επίδειξη - demonstration) και χρησιμοποιεί την εμπειρία αυτή προς όφελος του. Μια από τις μεγαλύτερες προκλήσεις της μάθησης από μίμηση είναι ότι ο μέντορας πρέπει να είναι βέλτιστος, πράγμα το οποίο είναι εξαιρετικά σπάνιο (ή και αδύνατο) στην πράξη. Αντίθετα, υπάρχει πληθώρα πιθανών μεντόρων που πετυχαίνουν αφενός καλά αποτελέσματα, παρουσιάζοντας ωστόσο αστοχίες και λάθη τα οποία ένας βέλτιστος μέντορας θα απέφευγε.
Στην εργασία αυτή παρουσιάζεται ένας αλγόριθμος συνδυασμού μη-βέλτιστων μεντόρων στα πλαίσια της έμμεσης μάθησης μέσω μίμησης. Δεδομένων επιδείξεων από μη-βέλτιστους μέντορες, ο σκοπός μας είναι να δημιουργήσουμε νέες επιδείξεις, αποφεύγοντας τα σφάλματα στα οποία υπέπεσαν οι μέντορες. Οι νέες αυτές επιδείξεις μπορούν να χρησιμοποιηθούν για να εκπαιδευτούν πράκτορες γρηγορότερα και πιο αποτελεσματικά.
Η βάση πάνω στη οποία αναπτύσσονται οι προτεινόμενες μέθοδοι είναι η παρατήρηση ότι “υπάρχουν λίγοι τρόποι για να πετύχει κανείς ενώ πολλοί για να αποτύχει”, οπότε οι μέντορες τείνουν να συμφωνούν όταν πράττουν σωστά ενώ διαφωνούν όταν σφάλλουν. Η συμφωνία των μεντόρων δρα συνεπώς ως ένδειξη ποιότητας μιας δεδομένης πράξης, οπότε προτείνεται η χρήση ψηφοφορίας για να προκύψουν οι νέες επιδείξεις. Για την ψηφοφορία χρησιμοποιείται ο μηχανισμός της σχετικής πλειοψηφίας, γύρω από τον οποίο αναπτύσσεται ο βασικός αλγόριθμος που προτείνεται σε αυτή την εργασία.
Προτείνονται επίσης δύο εναλλακτικές, εκ των οποίων η μία επιτρέπει την χρήση ευρετικής για την ποιότητα κάθε επίδειξης ως βάρος στην ψηφοφορία, ενώ η άλλη λειτουργεί χωρίς να αλληλεπιδρά με το περιβάλλον. Η απόδοση των αλγορίθμων παρουσιάζεται σε πειράματα όπου συνδυάζονται με γνωστή τεχνική για έμμεση μάθηση μέσω μίμησης (Behavioral Cloning from Observation, BCO), καθιστώντας δυνατή την εκπαίδευση ενός μοντέλου από δεδομένα τα οποία αρχικά ήταν ανεπαρκή για αυτό τον σκοπό. Επιβεβαιώνεται επίσης πειραματικά η υπόθεση ότι η ψηφοφορία επιλέγει τους βέλτιστους μέντορες συχνότερα από τους υπόλοιπους, εξηγώντας ουσιαστικά τον τρόπο λειτουργίας της προτεινόμενης προσέγγισης.

Abstract 
During the last decade machine learning has gained a lot of popularity, due to its ability to tackle problems that conventional algorithms struggle with. A vibrant subfield of machine learning research is imitation learning, where an agent observes a mentor perform a task and leverages their experience to its advantage. One of the challenges in imitation learning is the need for optimal mentors, which are rare in practice, while sub-optimal ones are readily available.
This thesis proposes an algorithm for mentor aggregation in implicit imitation learning. Given a set of state-only demonstrations from sub-optimal mentors, our goal is to produce a dataset that minimizes the effects of those suboptimalities, allowing for greater sample efficiency and better performance.
The basis of our mentor aggregation approach is the idea that there are more ways to fail than to succeed, and thus mentor actions match when right and differ when wrong. Mentor consensus becomes then an indicator of action quality. In order to identify such a consensus, we leverage a method from the social choice theory literature, Plurality Voting, and employ it to aggregate the mentor “opinions” as described by their demonstrations.
We present a main approach and two alternative versions, one incorporating a demonstration quality heuristic to weigh the votes and one requiring no environment interaction. We showcase the effectiveness of our approach alongside a known algorithm for behavioral cloning, Behavioral Cloning from Observation (BCO). We also verify our hypothesis that voting selects optimal mentors more frequently than sub-optimal ones experimentally.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

ΔΗΜΟΠΟΥΛΟΥ ΘΕΟΔΩΡΟΥ

με θέμα

Δυναμικός Προγραμματισμός Υπηρεσιών σε Πολλαπλές Περιοχές Υπολογιστικού Νέφους
Adaptive Service Scheduling Across Multiple Cloud Regions

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

Περίληψη
Η διαχείριση φορτίου εργασίας μικροϋπηρεσιών σε γεωγραφικά κατανεμημένους Kubernetes clusters παρουσιάζει προκλήσεις τις οποίες τα εργαλεία μονού cluster δεν μπορούν να αντιμετωπίσουν: ο Horizontal Pod Autoscaler δεν έχει ορατότητα μεταξύ διαφορετικών cluster, και οι στατικές πολιτικές διαχείρησης κίνησης του Istio δεν μπορούν να προσαρμοστούν σε πραγματικό χρόνο στις μεταβολές της κατανομής του φορτίου. Η παρούσα διπλωματική εργασία επεκτείνει το StornX - ένα πλαίσιο διαχείρισης κίνησης και αυτόματης κλιμάκωσης για μονούς Kubernetes clusters που εισήγαγε ο Λαζίδης (2026) - σε ένα ομοσπονδιακό περιβάλλον δύο clusters που έχει δημιουργηθεί στο AWS EKS, υλοποιώντας άμεσα την πρόταση του Λαζίδη για επέκταση σε πολλαπλές περιοχές.
Η πλατφόρμα αποτελείται από δύο clusters σε χωριστές περιοχές AWS (eu-west-1 και eu-north-1), ομοσπονδιακά συνδεδεμένους μέσω Karmada και διασυνδεδεμένους μέσω πλέγματος υπηρεσιων Istio πολλαπλών clusters με shared root CA και east-west gateways. Δύο αναπτύξεις αυτής της υποδομής αξιολογούνται συγκριτικά. Στην αναφορική ανάπτυξη, το FederatedHPA διαχειρίζεται την αυτόματη κλιμάκωση μεταξύ clusters μέσω του karmada-metrics-adapter, ενώ στατικά DestinationRules τοπικότητας διέπουν την ανακατεύθυνση κίνησης. Στην ανάπτυξη StornX, ένα ανεξάρτητο instance StornX ανά cluster αντικαθιστά και τα δύο: το OptiBalancer επαναϋπολογίζει δυναμικά τα βάρη τοπικότητας των Istio DestinationRule κάθε 60 δευτερόλεπτα από μετρικές Prometheus (χρήση CPU, καθυστέρηση P95, ρυθμός αιτημάτων ανά υπηρεσία και καθυστέρηση δικτύου μεταξύ κόμβων), ενώ το OptiScaler διαχειρίζεται την αυτόματη κλιμάκωση εντός cluster με τοπολογικά ενήμερη τοποθέτηση αντιγράφων. Ως φόρτος εργασίας χρησιμοποιείται η εφαρμογή αναφοράς Google Online Boutique, η οποία διαδίδεται και στα δύο clusters μέσω Karmada.
Και οι δύο αναπτύξεις υποβάλλονται σε δύο σενάρια αποτυχίας. Το σενάριο 1 οδηγεί το eu-north σε οργανική υπερφόρτωση μέσω ασύμμετρης παραγωγής φόρτου. Το σενάριο 2 προσομοιώνει πλήρη αποτυχία ζώνης διαθεσιμότητας εκκενώνοντας όλους τους κόμβους στο eu-north-1a.

Abstract 
Managing microservice workloads across geographically distributed Kubernetes clusters introduces challenges that single-cluster tooling cannot address: the Horizontal Pod Autoscaler has no cross-cluster visibility, and static Istio traffic policies cannot adapt in real time to shifts in load distribution. This thesis extends StornX — a single-cluster Kubernetes traffic management and autoscaling framework introduced by Lazidis (2026) — to a federated two-cluster environment built on AWS EKS, directly realising Lazidis's suggestion for multi-region extension. 
The platform consists of two clusters in separate AWS regions (eu-west-1 and eu-north-1), federated by Karmada and connected via Istio multi-cluster service mesh with a shared root CA and east-west gateways. Two deployments of this infrastructure are evaluated against each other. In the baseline deployment, FederatedHPA manages cross-cluster autoscaling through the karmada-metrics-adapter and static locality DestinationRules govern traffic failover. In the StornX deployment, an independent StornX instance per cluster replaces both:  OptiBalancer dynamically recomputes Istio DestinationRule locality weights every 60 seconds from Prometheus metrics (CPU utilisation, P95 latency, per-service request rate, and inter-node network latency), while OptiScaler handles intra-cluster autoscaling with topology-aware replica placement. The Google Online Boutique benchmark application, propagated to both clusters by Karmada, serves as the workload.                
Both deployments are subjected to two failure scenarios. Scenario 1 drives eu-north into organic overload through asymmetric load generation. Scenario 2 simulates a full availability zone failure by draining all nodes in eu-north-1a.
 
 

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

ΑΡΙΣΤΑΡΧΟΥ ΤΖΑΤΖΟΥ

με θέμα

Ανάπτυξη περιβάλλοντος διαχείρισης εικονικών μηχανών βασισμένο σε Kubernetes αξιοποιώντας την υποδομή του LXD
Developing a Kubernetes-based Virtual Machine Management Environment leveraging LXD Infrastructure

Εξεταστική Επιτροπή
Καθηγητής Ευριπίδης Πετράκης (επιβλέπων)
Αναπληρωτής Καθηγητής Βασίλης Σαμολαδάς
Καθηγητής Αντώνιος Δεληγιαννάκης

Περίληψη
Οι πλατφόρμες υπολογιστικού νέφους (cloud) παρέχουν επεκτάσιμες και έτοιμες προς χρήση υπηρεσίες που επιταχύνουν σημαντικά την ανάπτυξη και τη διαχείριση εφαρμογών και διαδικασιών, αλλά ταυτόχρονα παρουσιάζουν σημαντικούς περιορισμούς. Βασίζονται σε κλειστά συστήματα, API και μοντέλα τα οποία τείνουν να εγκλωβίζουν τους χρήστες και τους προγραμματιστές στους εκάστοτε παρόχους cloud. Αυτό έχει ως αποτέλεσμα το αυξημένο κόστος μεταφοράς των εφαρμογών, σε περίπτωση αλλαγής παρόχου, ενώ παράλληλα υπονομεύει την ελευθερία επιλογής αρχιτεκτονικής. Επιπλέον, τα περίπλοκα μοντέλα χρέωσης που συχνά βασίζονται σε δυσνόητες μονάδες μέτρησης, όπως η εισροή/εκροή των δεδομένων ή οι μονάδες (credits) επεξεργαστή, καθιστούν τα λειτουργικά έξοδα απρόβλεπτα και δυσκολεύουν τον μακροπρόθεσμο οικονομικό προγραμματισμό, ειδικά για εφαρμογές που πρέπει να λειτουργούν αδιάκοπα.
Η ανάπτυξη και διαχείριση ενός cloud σε μηχανήματα που διατηρούνται και συντηρούνται από εμάς ή τις ομάδες μας, αντιμετωπίζει πολλούς από αυτούς τους περιορισμούς. Η αυτοφιλοξενία (self-hosting), όπως αποκαλείται, επιτρέπει τον απόλυτα προβλέψιμο έλεγχο του κόστους μέσω επενδύσεων σε εξοπλισμό (hardware) σταθερής χωρητικότητας και δυνατοτήτων, ενώ ταυτόχρονα διασφαλίζει την πλήρη κυριότητα των δεδομένων και της συμμόρφωσης των διαδικασιών στα διεθνή ρυθμιστικά πλαίσια. Επιπρόσθετα, παρέχει τη δυνατότητα σχεδίασης υποδομών δικτύου και αποθηκευτικού χώρου με τρόπο που να ανταποκρίνεται πλήρως στις εξειδικευμένες ανάγκες της εκάστοτε εφαρμογής. Παράλληλα, μειώνει σημαντικά την εξάρτηση από τις υπηρεσίες των παρόχων, καθώς βασίζεται σε εργαλεία ανοιχτού κώδικα και καθιερωμένα πρότυπα, βελτιώνοντας έτσι τη φορητότητα και διευκολύνοντας τη μακροπρόθεσμη συντήρηση των συστημάτων και εφαρμογών. Παρόλα αυτά, η αυτοφιλοξενία μεταθέτει την ευθύνη της ορθής λειτουργίας, στον ίδιο τον διαχειριστή. Διαδικασίες όπως ο προγραμματισμός των απαιτούμενων πόρων, ο σχεδιασμός για υψηλή διαθεσιμότητα, η ενίσχυση της ασφάλειας και η συνολική διαχείριση του κύκλου ζωής, πρέπει πλέον να διεκπεραιώνονται αποκλειστικά από τη δική μας ομάδα (in-house).
    Η παρούσα εργασία παρουσιάζει μια τέτοια, ιδιόκτητη πλατφόρμα cloud που απαντά σε αυτές ακριβώς τις προκλήσεις. Προσφέρει ένα ασφαλές περιβάλλον, υψηλής διαθεσιμότητας, το οποίο μπορεί να εξυπηρετήσει πολλούς χρήστες ταυτόχρονα για την εκτέλεση Linux containers ή εικονικών μηχανών. Η πλατφόρμα αξιοποιεί τεχνολογίες ανοιχτού κώδικα για να δημιουργήσει μια ευέλικτη και επεκτάσιμη υποδομή, την οποία μπορεί να διαχειριστεί κανείς εύκολα μέσα από ένα ενιαίο API και ένα γραφικό περιβάλλον (web interface).

Abstract 
Cloud platforms provide scalable, managed services that accelerate development and operations, but they also introduce significant constraints. Proprietary APIs, proprietary service primitives, and proprietary deployment models can lead to vendor lock-in that increases migration costs and limits architectural freedom. Pricing models based on opaque units (e.g., I/O, egress, managed service tiers) create unpredictable operational expenses and can make long-term budgeting difficult for sustained workloads.
Running a cloud on machines you maintain, addresses many of these limitations. Self-hosting enables predictable cost control through fixed-capacity hardware investment, full ownership of data and compliance posture, and the ability to design network and storage configurations tailored to application needs. It also reduces dependence on vendor-specific services by relying on open-source components and standard protocols, improving portability and long-term maintainability. However, self-hosting shifts operational responsibility to the operator. Things like capacity planning, high-availability design, security hardening, and lifecycle management must be handled in-house.
This thesis presents a self-hosted cloud platform that addresses these challenges by providing a multi-tenant, high-availability, and secure environment for running linux containers or virtual machines. The platform leverages open-source technologies to create a flexible and extensible infrastructure that can be managed through a unified API and web interface.
 

ΕΛΕΝΗΣ ΣΤΑΥΡΟΠΟΥΛΟΥ
 

με θέμα
Ταξινόμηση Κυρίαρχων Γραφημάτων Λειτουργικής Συνδεσιμότητας από Ήπιες Τραυματικές Εγκεφαλικές Κακώσεις με χρήση των Δικτύων Kolmogorov-Arnold (KAN)
Classification of dominant functional connectivity graphs from mild traumatic brain injuries using Kolmogorov-Arnold Networks (KAN)

Εξεταστική Επιτροπή
Καθ. Μιχαήλ Ζερβάκης (επιβλέπων)
Καθ. Διονύσιος Χριστόπουλος
Καθ. Αθανάσιος Λιάβας

Περίληψη
Η κλινική διάγνωση της ήπιας κρανιοεγκεφαλικής κάκωσης (mTBI)
αποτελεί διαρκή πρόκληση λόγω των ήπιων νευροφυσιολογικών συμπτωμάτων που τη χαρακτηρίζουν, τα οποία δεν είναι εύκολο να εντοπιστούν με μεθόδους συμβατικής δομικής νευροαπεικόνισης. Η παρούσα διπλωματική προτείνει μια μέθοδο ταξινόμησης μέσω ανάλυσης δεδομένων Μαγνητοεγκεφαλογραφήματος (MEG) σε κατάσταση ηρεμίας. Συνδυάζει την ανάλυση μικροκαταστάσεων δυναμικής λειτουργικής συνδεσιμότητας με τα Δίκτυα Kolmogorov-Arnold (KAN), δίνοντας έμφαση στην ερμηνεία και τη διαφάνεια των αποτελεσμάτων.
Η μελέτη βασίστηκε σε κατωφλιωμένους, χρονικά μεταβαλλόμενους γράφους κυρίαρχης λειτουργικής συνδεσιμότητας διάστασης 90x90 (iPLV, OMST). Από αυτούς τους γράφους εξήχθη το φάσμα ιδιοτιμών του κανονικοποιημένου πίνακα Laplace, και ακολούθησε ο κβαντισμός τους σε δύο πρότυπες καταστάσεις μέσω του αλγορίθμου Neural Gas. Βάσει ενός κριτηρίου ταξινόμησης που στηρίχθηκε στις ιδιοτιμές Laplace, οι καταστάσεις διαχωρίστηκαν σε υψηλής και χαμηλής συνδεσιμότητας αντίστοιχα. Από τις προκύπτουσες συμβολικές χρονοσειρές εξήχθησαν δέκα χρονικά και γραφοθεωρητικά χαρακτηριστικά ανά υποκείμενο. Αυτά τα χαρακτηριστικά χρησιμοποιήθηκαν ως είσοδος σε ένα ρηχό, μονοεπίπεδο δίκτυο ΚΑΝ, το οποίο είναι μια καινοτόμα αρχιτεκτονική που αντικαθιστά τα σταθερά βάρη των ακμών με learnable συναρτήσεις ενεργοποίησης B-spline και εξάγει τα πιο σημαντικά χαρακτηριστικά άμεσα κατά την εκπαίδευση. Για την αντιμετώπιση της ανισορροπίας των κλάσεων εφαρμόστηκε τυχαία υποδειγματοληψία σε 100 ανεξάρτητες
επαναλήψεις, παράγοντας ένα ισορροπημένο σύνολο 60 υποκειμένων. Το μοντέλο αξιολογήθηκε μέσω ενός πρωτοκόλλου δύο φάσεων: stratified 5-fold cross-validation για την επιλογή των κυρίαρχων χαρακτηριστικών, και Leave-One-Out (LOO) testing σε ένα ανεξάρτητο test dataset.
Το μοντέλο πέτυχε ακρίβεια 0.707 ± 0.133 και AUC
-ROC 0.760 ± 0.141. Αν και τα SVM και MLP ξεπέρασαν το KAN σε ακρίβεια κατά 4–5% μέσω του ίδιου πρωτοκόλλου αξιολόγησης, το KAN από μόνο του κατάφερε να απομονώσει την πιθανότητα μετάβασης και τον μέσο χρόνο παραμονής στην κατάσταση χαμηλότερης συνδεσιμότητας ως τους ισχυρότερους δείκτες mTBI. Οι συναρτήσεις spline που έμαθε το μοντέλο αποκάλυψαν μη γραμμικές, μη μονότονες σχέσεις μεταξύ αυτών των χαρακτηριστικών και της εξόδου ταξινόμησης, παρέχοντας μία νευροφυσιολογικά θεμελιωμένη ερμηνεία των αποφάσεων του μοντέλου. Η εργασία αυτή αποδεικνύει ότι τα ερμηνεύσιμα νευρωνικά δίκτυα μπορούν να προσφέρουν διαγνωστικά στοιχεία με διαφάνεια έναντι ελάχιστου κόστους στην ακρίβεια ταξινόμησης.

Abstract
The clinical diagnosis of Mild Traumatic Brain Injury (mTBI) remains a formidable challenge due to the subtle
neurophysiological changes that characterize the condition, which conventional structural neuroimaging typically fails to detect. This thesis proposes a pipeline for classifying mTBI from healthy subjects by analyzing resting-state Magnetoencephalography (MEG) data. Specifically, it combines dynamic functional connectivity microstate analysis with Kolmogorov-Arnold Networks (KAN) and emphasizes interpretability and visual transparency.
The analysis was based on thresholded, time
-varying, dominant functional connectivity graphs of dimensionality 90x90 (iPLV, OMST). These graphs were decomposed via normalized Laplacian eigenspectra and quantized into two prototypical network microstates using the Neural Gas algorithm. An eigenvalue-based sorting criterion was introduced to label the microstates as higher-connectivity and lower-connectivity across all subjects. Ten temporal and graph-theoretic features were extracted from the symbolic time series per subject. These features were fed into a shallow, single-layer KAN, which is an emerging architecture that replaces fixed edge weights with learnable B-spline activation functions and derives feature importance intrinsically during training. To address class imbalance, a random undersampling routine was implemented across 100 independent runs, yielding a balanced dataset of 60 subjects. Model evaluation followed a two-phase protocol: 5-fold stratified cross-validation on 48 training subjects for feature threshold selection, and Leave-One-Out testing on a held-out set of 12 subjects.
The model achieved a test accuracy of 0.707
± 0.133 and AUC-ROC of 0.760 ± 0.141. While both SVM and MLP slightly outperformed the network by 4–5% in accuracy under the same protocol, KAN intrinsically isolated transition probability and mean dwell time in the lower-connectivity state as the strongest mTBI biomarkers. The learned spline functions revealed non-linear, non-monotonic relationships between these features and the classification output, providing a neurophysiologically grounded explanation of the model’s decisions. This work is proof that interpretable neural architectures can provide transparent diagnostic insights with minimal impact on classification performance.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

ΝΙΚΟΛΑΟΥ ΧΕΙΛΑΔΑΚΗ

με θέμα

Αναγνώριση Αντικειμένων σε ροές video με μοντέλα Τεχνητής Νοημοσύνης στο Apache Flink 
Real-time object detection in streaming video with AI models and Apache Flink
 

Εξεταστική Επιτροπή
Καθηγητής Ευριπίδης Πετράκης (επιβλέπων)
Καθηγητής Αντώνιος Δεληγιαννάκης
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς

Περίληψη
Στα πλαίσια της παρούσας διπλωματικής, υλοποιήθηκε ένα κατανεμημένο σύστημα για επεξεργασία βίντεο, αξιοποιώντας τις τεχνολογίες Apache Flink και Apache Kafka. Το σύστημα αυτό, είναι εγκατεστημένο σε cloud υποδομή με το Kubernetes να λειτουργεί ως πλατφόρμα ενορχήστρωσης. Στόχος της υλοποίησης, είναι η ανίχνευση αντικειμένων κι η ταξινόμησή τους στην κατηγορία που ανήκουν χρησιμοποιώντας το μοντέλο YOLO11, καθώς κι η εξαγωγή των τροχιών τους για πολλαπλές ροές βίντεο. Πρωταρχικό ερώτημα της εργασίας, ήταν αν το συγκεκριμένο σύστημα είναι εφικτό με την χρήση του Apache Flink, με απότερο σκοπό την αξιολόγηση των αποτελεσμάτων, τόσο των θεωρητικών εκτιμήσεων όσο των πειραματικών ευρημάτων που προέκυψαν από την ανάλυση. Η ακρίβεια των τελικών τροχιών, καθώς κι οι χρονικές αποδόσεις, αποτελούν τα κύρια αποτελέσματα της εργασίας. Βασιζόμενο στο Apache Flink για την κατανεμημένη επεξεργασία ροών και αξιοποιώντας το Apache Kafka για την διακίνηση μηνυμάτων και την ακεραιότητά τους, το σύστημα χρησιμοποιεί το προαναφερθέν μοντέλο ανίχνευσης αντικειμένων, σε συνδυασμό με αλγορίθμους μηχανικής όρασης, όπως η συγχώνευση ανιχνεύσεων για την δημιουργία ολόκληρων των αντικειμένων ανά καρέ και η παρακολούθησή τους με βάση τα κέντρα τους μαζί με την βοήθεια ενός φίλτρου Kalman για την ανάθεση των τροχιών τους. Η υλοποίηση των αλγορίθμων βασίζεται στο μοντέλο ροής δεδομένων (dataflow) που παρέχεται από το Apache Flink. Συνεπώς, τόσο το μοντέλο όσο και οι αλγόριθμοι, βρίσκονται μέσα σε ξεχωριστούς τελεστές του Flink. Με σκοπό να αξιοποιηθεί πλήρως η κατανεμημένη επεξεργασία, κάθε καρέ διασπάται σε μικρότερες δυναμικά προσαρμοζόμενες οριζόντιες λωρίδες χρησιμοποιώντας στρατηγική επικάλυψης, διασφαλίζοντας την αδιάλειπτη ανίχνευση των αντικειμένων που βρίσκονται στα όρια των τμημάτων, οι οποίες διανέμονται στους συντελεστές του Flink για ταυτόχρονη επεξεργασία. Αρχικά, όλες οι λωρίδες ενός βίντεο κατανέμονται ομοιόμορφα στα partitions του Apache Kafka κι έπειτα όλοι οι κόμβοι του Apache Flink τις επεξεργάζονται παράλληλα. Όσον αφορά την επεξεργασία, το πρώτο βήμα είναι κάθε λωρίδα να αποτελέσει την είσοδο του μοντέλου YOLO11, έτσι ώστε να ληφθούν οι πληροφορίες του κάθε αντικειμένου που περιέχει. Οι πληροφορίες αυτές περιλαμβάνουν το ορθογώνιο οριοθέτησης του αντικειμένου, το κέντρο του, την κλάση στην οποία ανήκει, καθώς και την πιθανότητα να ανήκει σε αυτήν. Έπειτα, όλα τα αναγνωρισμένα αντικείμενα του ίδιου καρέ ομαδοποιούνται και συγχωνεύονται, εφόσον πληρούν κάποιες προϋποθέσεις, έτσι ώστε να σχηματιστούν αντικείμενα σε επίπεδο καρέ. Τέλος, όλα τα αντικείμενα ενός καρέ, συγκεντρώνονται σε έναν τελεστή, ο οποίος είναι υπεύθυνος για την δημιουργία της τροχιάς κάθε αντικειμένου που εμφανίζεται στο βίντεο, με βάση τη θέση του κέντρου του και την κλάση του. Μετά την ολοκλήρωση της εξεργασίας όλων των καρέ ενός βίντεο, οι τελικές τροχιές ανακοινώνονται σε ένα άλλο Kafka topic. Η εφαρμογή εγκαταστάθηκε ως Flink Cluster πάνω σε Kubernetes cluster, με τη χρήση του Flink Kubernetes Operator. Από τα πειράματα που πραγματοποιήθηκαν σε περιβάλλον με 7 μηχανές, διαπιστώθηκε ότι το προτεινόμενο σύστημα έχει τη δυνατότητα κλιμάκωσης και υπερέχει σε απόδοση έναντι ενός μονολιθικού συστήματος, ενώ ταυτόχρονα παράγονται ακριβείς τροχιές για τα αντικείμενα στο βίντεο. Συγκεκριμένα, η εκτέλεση της εφαρμογής στο Apache Flink με παραλληλισμό 7 είναι 4.95 φορές πιο αποδοτική σε σύγκριση με την εκτέλεση με παραλληλισμό 1, που προσομοιώνει ένα πλήρως σειριακό σύστημα με ακριβή και ορθά αποτελέσματα ως προς τις τροχιές των αντικειμένων.

Abstract 
In this thesis, a distributed video processing system was implemented, utilizing Apache Flink and Apache Kafka technologies. The system is deployed on a cloud infrastructure, using Kubernetes as the orchestration platform. The objective of this implementation is object detection and classification using the YOLO11 model, as well as trajectory extraction for multiple streaming or batch video sources. The main research question was whether such a system is feasible using Apache Flink, with the ultimate goal of evaluating both the theoretical estimations and the experimental findings derived from the analysis.  The accuracy of the trajectories, alongside the system's speedup are the main results of this thesis. Relying on Apache Flink for distributed stream processing and Apache Kafka for message transmission and durability, the system combines the object detection model with computer vision algorithms, such as detection fusion, centroid-based object tracking and Kalman filtering. The implementation is based on the dataflow model provided by Apache Flink, where the model and the associated algorithms are implemented within separate Flink operators. To fully exploit distributed processing, each frame is split into smaller, dynamically adjusted horizontal blocks using an overlapping strategy, to ensure object detection accuracy at segment boundaries. These blocks are initially distributed uniformly across Apache Kafka partitions and then processed in parallel by an equal number of Apache Flink nodes. Regarding the processing pipeline, the first step consists of processing each block with the YOLO11 model to extract information about the objects it contains. This information includes the object's bounding box, its centroid, its class and the confidence score. Afterwards, all detected objects belonging to the same frame are grouped and fused, in order to reconstruct them at the frame level. In the final stage, all objects within a frame are aggregated into a single operator, which is responsible for extracting the trajectory of each object in the video, based on its centroid position and class. Upon completing the processing of every frame of a video, the final trajectories are published to a separate Kafka topic. The application was deployed as a Flink Cluster on top of a Kubernetes cluster, utilizing the Flink Kubernetes Operator. Experiments conducted in an environment consisting of 7 machines demonstrate that the proposed system is scalable and outperforms a monolithic architecture, while maintaining the accuracy of the trajectories. Specifically, executing the application on Apache Flink with parallelism 7 yields 4.95x performance increase compared to the execution with a parallelism 1, which simulates a serial implementation with precise object trajectory results.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

ΜΑΡΙΑΣ ΧΑΪΝΤΟΥΤΗ

με θέμα

 Ανάπτυξη Μικροϋπηρεσιών σε Πολλαπλές Συστάδες Υπολογιστικού Νέφους με Ενισχυτική Μάθηση
 Microservices Deployment Across Multiple Cloud Clusters with Reinforcement Learning

Εξεταστική Επιτροπή
Καθηγητής Ευριπίδης Πετράκης (επιβλέπων)
Καθηγητής Αντώνιος Δεληγιαννάκης
Καθηγητής Μιχαήλ Λαγουδάκης

Περίληψη
Η ραγδαία αναπαραγωγή εφαρμογών, οι οποίες βασίζονται στην αρχιτεκτονική μικροϋπηρεσιών σε Edge, Fog και Cloud έχει οδηγήσει σε σημαντικές προκλήσεις της δυναμικής ενορχήστρωσης πόρων. Παραδοσιακές ευριστικές προσεγγίσεις, όπως η Least Frequently Used (LFU) τοποθέτηση, συχνά αποτυγχάνουν να προσαρμόζονται στα ασταθή  μοτίβα κυκλοφορίας και ετερογενείς περιορισμούς των σύχρονων κατανεμημένων υποδομών. Αυτή η διπλωματική εργασία προτείνει ένα έξυπνο πλαίσιο ενορχήστρωσης αξιοποιώντας την Ενισχυτική Μάθηση (Reinforcement Learning - RL), προκειμένου να βελτιστοποιήσει την ανάπτυξη μικροϋπηρεσιών. Αξιοποιώντας το Linkerd service mesh για παρατήρηση σε πραγματικό χρόνο και διαχείριση κίνησης, υλοποιούνται και συγκρίνονται τρείς διαφορετικές στρατηγικές: μια βασική ευρετική προσέγγιση LFU, μια πολυπρακτορική (Multi-agent) προσέγγιση RL και ένας κεντρικοποιημένος (Centralized) πράκτορας RL χρησιμοποιώντας τον αλγόριθμο Maskable Proximal Policy Optimization (PPO). Τα πειραματικά αποτελέσματα που πραγματοποιήθηκαν σε υποδομή Kubernetes βασισμένη στο Google Cloud Platform, χρησιμοποιώντας ως ορόσημο την Online Google Boutique και τo TeaStore, δείχνουν ότι παρόλο που οι πολυπρακτορικές διαμορφώσεις προσφέρουν τοπική βελτιστοποίηση, πλήττονται από συγκρούσεις συντονισμού, οι οποίες οδηγούν το σύστημα σε αστάθεια. Ο κεντρικοποιημένος RL agent , παρόλα αυτά, περιορίζει αυτές τις συγκρούσεις διατηρώντας μια καθολική εικόνα της κατάστασης της υποδομής. Τα ευρήματα της εργασίας καταδεικνύουν ότι η κεντρικοποιημένη προσέγγιση επιτυγχάνει σημαντική μείωση της συνολικής καθυστέρησης (end-to-end latency) και βελτιώνει τα ποσοστά επιτυχίας αιτημάτων σε σύγκριση τόσο με την ευρετική, όσο και με την πολυπρακτορική προσέγγιση, παρέχοντας μια αξιόπιστη λύση για κλιμακούμενη διαχείριση μικροϋπηρεσιών.

Abstract 
The rapid proliferation of microservice-based applications across Edge, Fog, and Cloud hierarchies has introduced significant challenges in dynamic resource orchestration. Traditional heuristic-based approaches, such as Least Frequently Used (LFU) placement, often fail to adapt to the volatile traffic patterns and heterogeneous constraints of modern distributed infrastructures. This thesis proposes an intelligent orchestration framework utilizing Reinforcement Learning (RL) to optimize microservice deployment. Leveraging Linkerd service mesh for real-time observability and traffic management, we implement and compare three distinct strategies: a baseline LFU heuristic, a Multi-agent RL approach, and a Centralized RL agent using the Maskable Proximal Policy Optimization (PPO) algorithm. Experimental results, conducted on a Kubernetes-based, multi-cluster testbed deployed on Google Cloud Platform using Google’s Online Boutique and TeaStore as benchmark, demonstrate that while multi-agent configurations provide localized optimization, they suffer from coordination conflicts that lead to system instability. In contrast, the proposed Centralized RL agent successfully mitigates these conflicts by maintaining a global state of the infrastructure. Our findings show that the Centralized approach achieves a significant reduction in end-to-end latency and improved request success rates compared to both heuristic and Multi-agent baselines, providing a robust solution for scalable microservice management.
 

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Μιχάλη Λαμπράκη

με θέμα

Πλαίσιο Full-Stack για την Έκδοση Ψηφιακών Διαβατηρίων Προϊόντων με χρήση Τεχνολογίας Blockchain 

Full-Stack Framework for Issuing Digital Product Passports using Blockchain Technology

Εξεταστική Επιτροπή

Καθηγητής Μιχαήλ Γ. Λαγουδάκης (Σχολή ΗΜΜΥ, Επιβλέπων)
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς (Σχολή ΗΜΜΥ)
Καθηγητής Γεώργιος Αραμπατζής (Σχολή ΜΠΔ)

Περίληψη
    
Η μετάβαση στην κυκλική οικονομία και ο Κανονισμός της Ευρωπαϊκής Ένωσης για τον Οικολογικό Σχεδιασμό Βιώσιμων Προϊόντων (Ecodesign for Sustainable Products Regulation) εισάγουν την έννοια του Ψηφιακού ∆ιαβατήριου Προϊόντος (Digital Product Passport - DPP) ως ένα βασικό εργαλείο για τη διαφάνεια και την ιχνηλασιμότητα των προϊόντων. Λειτουργώντας ως μια ολοκληρωμένη ψηφιακή ταυτότητα, ένα DPP αποτελείται από μια δομημένη συλλογή δεδομένων σχετικά με τα υλικά, τα εξαρτήματα και το ιστορικό του κύκλου ζωής ενός προϊόντος, η οποία είναι προσβάσιμη μέσω ενός φυσικού φορέα δεδομένων (π.χ QR code). Ωστόσο, η υλοποίηση ενός ψηφιακού διαβατήριου δεν αποτελεί απλώς ένα πρόβλημα αποθήκευσης δεδομένων. Οι πληροφορίες του προϊόντος  δημιουργούνται, διατηρούνται και είναι προσβάσιμες από πολλαπλούς ανεξάρτητους φορείς σε όλο τον κύκλο ζωής του, γεγονός που εγείρει αυστηρές απαιτήσεις για εμπιστοσύνη, ελεγχόμενη πρόσβαση, προστασία από παραβιάσεις και μακροπρόθεσμη διαθεσιμότητα, τις οποίες κεντρικοποιημένα συστήματα δεν μπορούν να ικανοποιήσουν πλήρως. Η παρούσα διπλωματική εργασία παρουσιάζει τον σχεδιασμό και την υλοποίηση ενός πλαισίου full-stack για την έκδοση και την επαλήθευση Ψηφιακών ∆ιαβατηρίων Προϊόντων. Το σύστημα βασίζεται σε μια υβριδική on-chain/off-chain αρχιτεκτονική, με το Hyperledger Fabric να λειτουργεί ως το επίπεδο εμπιστοσύνης, και υλοποιείται ως ένα end-to-end σύστημα για ένα πραγματικό σενάριο: την ανάκτηση μεταχειρισμένων ρούχων από κάδους ανακύκλωσης και τη μετατροπή τους σε διακοσμητικά πλακίδια. Η κεντρική σχεδιαστική απόφαση είναι η αντιμετώπιση του διαβατηρίου όχι ως ενός στατικού εγγράφου, αλλά ως ενός που παράγεται δυναμικά μέσω της διάσχισης ενός μοντέλου παραγωγής. Το ιστορικό κατασκευής αναπαρίσταται ως ένας διμερής κατευθυνόμενος άκυκλος γράφος παρτίδων υλικών και εκτελέσεων διεργασιών. Κάθε διαβατήριο ανακατασκευάζεται μέσω μιας διάσχισης αυτού του γράφου, έτσι ώστε κάθε ισχυρισμός στο έγγραφο να υποστηρίζεται από έναν καταγεγραμμένο φυσικό μετασχηματισμό, αντί να δηλώνεται εκ των υστέρων. Ο ίδιος μηχανισμός επιτρέπει την έκδοση έγκυρων και ανεξάρτητα επαληθεύσιμων διαβατηρίων για οποιοδήποτε ενδιάμεσο υλικό, μια δυνατότητα πολύ χρήσιμη σε περιβάλλοντα όπου εμπλέκονται πολλαπλοί φορείς, όπως αυτά των κυκλικών αλυσίδων εφοδιασμού. Ένα κρυπτογραφικό SHA-256 hash κάθε παραγόμενου διαβατηρίου αποθηκεύεται στο δίκτυο blockchain, ενώ ο κύριος όγκος των δεδομένων παραμένει εκτός αυτού. Αυτό επιτρέπει ένα μοντέλο επαλήθευσης, όπου κάθε ενδιαφερόμενος μπορεί να επιβεβαιώσει την ακεραιότητα ενός διαβατηρίου, χωρίς να χρειάζεται να εμπιστευθεί τον εκδότη ή τη βάση δεδομένων.

Abstract

The transition to a circular economy and the European Union’s Ecodesign for Sustainable Products Regulation introduce the Digital Product Passport (DPP) as a key instrument for product transparency and traceability. Acting as a comprehensive digital identity, a DPP consists of a structured collection of data regarding a product’s materials, components, and lifecycle history, accessible via a physical data carrier. Implementing a DPP, however, is not a simple data-storage problem. Product information is created, maintained, and accessed by multiple independent actors across a product’s lifecycle, which raises demanding requirements for trust, controlled access, tamper-evidence, and long-term availability that centralized systems cannot fully satisfy. This diploma thesis presents the design and implementation of a full-stack framework for issuing and verifying Digital Product Passports, built on a hybrid on-chain/off-chain architecture with Hyperledger Fabric as the trust layer, and realized as a complete, end-to-end system for a concrete real-world scenario: the recovery of post-consumer textiles and their transformation into decorative tiles. The central design decision is to treat the passport not as a static stored document, but as an artifact compiled on demand by traversing a model of production. The manufacturing history is represented as a bipartite directed acyclic graph of material lots and process executions, and each passport is reconstructed through a backward traversal of that graph, so that every claim in the document is backed by a recorded physical transformation rather than asserted retrospectively. The same mechanism issues valid, independently verifiable passports for any intermediate material, a capability of direct value in the multi-actor, by-product-rich setting of circular supply chains. A SHA-256 hash of each compiled passport is anchored on the permissioned ledger, while the bulk of the data remains off-chain, enabling a verification model in which any party can confirm a passport’s integrity without trusting the issuer or the database.

Meeting ID: 96455391738
Password: 454737
 

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ευαγγελίας Τιτάκη

με θέμα

Διαχείριση Ενέργειας Κτηρίων με Τεχνικές Μηχανικής Μάθησης
Energy Management of Buildings based on Machine Learning Techniques

Εξεταστική Επιτροπή

Καθηγητής Ευτύχης Κουτρούλης (επιβλέπων)
Επίκουρος Καθηγητής Γεώργιος Πέππας
Καθηγητής Μιχαήλ Γ. Λαγουδάκης

Περίληψη

Η αυξανόμενη ζήτηση ηλεκτρικής ενέργειας, η ραγδαία διείσδυση ανανεώσιμων πηγών ενέργειας και η ανάγκη περιορισμού του ενεργειακού κόστους καθιστούν απαραίτητη την ανάπτυξη αποδοτικών συστημάτων διαχείρισης ενέργειας για τη σταδιακή μετάβαση στα Έξυπνα Δίκτυα (Smart Grids). Στο πλαίσιο αυτής της ενεργειακής μετάβασης, η αξιοποίηση αλγορίθμων βελτιστοποίησης μπορεί να συμβάλει στη βελτίωση της ενεργειακής απόδοσης και στη μείωση της εξάρτησης από το ηλεκτρικό δίκτυο.
Η παρούσα διπλωματική εργασία επικεντρώνεται στη μελέτη ενός Συστήματος Διαχείρισης Ενέργειας Κτηρίου (Building Energy Management System - BEMS), με στόχο τη μείωση του συνολικού λειτουργικού κόστους, διασφαλίζοντας παράλληλα την άνεση των χρηστών. Το υπό μελέτη σύστημα ενσωματώνει μονάδα παραγωγής φωτοβολταϊκής ενέργειας (PV), σύστημα αποθήκευσης ενέργειας με μπαταρίες (BESS), ηλεκτρικό όχημα (EV), οικιακά φορτία καθώς και σύστημα θέρμανσης και κλιματισμού (HVAC). Η λειτουργία αυτού του συστήματος μελετάται υπό διάφορες εποχικές συνθήκες λειτουργίας και για δύο σενάρια τιμολόγησης ηλεκτρικής ενέργειας, Τιμολόγηση Ώρας Χρήσης (Time of Use - ToU) και Τιμολόγηση Πραγματικού Χρόνου (Real Time Pricing - RTP).
Για την αντιμετώπιση του προβλήματος βελτιστοποίησης, μοντελοποιήθηκε η δυναμική συμπεριφορά του κτηρίου και εξετάστηκαν τρεις στρατηγικές ελέγχου. Αρχικά, υλοποιήθηκε ένας στατικός ημερήσιος προγραμματισμός μέσω του αλγορίθμου Βελτιστοποίησης Σμήνους Σωματιδίων (Particle Swarm Optimization - PSO). Στη συνέχεια, αναπτύχθηκε η Στρατηγική Προβλεπτικού Ελέγχου με Μοντέλο (Model Predictive Control - MPC) για διαχείριση σε πραγματικό χρόνο μέσω κυλιόμενου ορίζοντα. Τέλος, μοντελοποιήθηκε και εκπαιδεύτηκε ο αλγόριθμος Ενισχυτικής Μάθησης Q-Learning, ο οποίος λειτουργεί χωρίς εκ των προτέρων γνώση του μοντέλου (model-free) και μαθαίνει τη βέλτιστη πολιτική ελέγχου μέσω της συνεχούς αλληλεπίδρασης με το περιβάλλον. Οι παραπάνω αλγόριθμοι αξιολογήθηκαν σε σύγκριση με ένα σενάριο αναφοράς, στο οποίο τα φορτία λειτουργούν χωρίς εφαρμογή βελτιστοποίησης. 
Από τα αποτελέσματα των προσομοιώσεων προκύπτει ότι οι στρατηγικές ελέγχου που υλοποιήθηκαν προσφέρουν βελτιωμένες ενεργειακές επιδόσεις σε σύγκριση με το σενάριο αναφοράς και χαμηλότερη απορρόφηση ισχύος από το ηλεκτρικό δίκτυο. Παράλληλα, η εσωτερική θερμοκρασία του κτηρίου διατηρείται εντός των αποδεκτών ορίων άνεσης του χρήστη, ενώ επιτυγχάνεται πιο αποδοτικός προγραμματισμός των φορτίων και καλύτερη διαχείριση των τοπικών μονάδων παραγωγής και αποθήκευσης ενέργειας.

Abstract 

The growing demand for electricity, the rapid penetration of renewable energy sources, and the need to reduce energy costs make it essential to develop efficient energy management systems for the gradual transition to Smart Grids. Within the context of this energy transition, the use of optimization algorithms can help improve energy efficiency and reduce dependence on the power grid.
This thesis focuses on the development of a Building Energy Management System (BEMS), with the aim of reducing total operating costs while ensuring user comfort. The system under study integrates a photovoltaic (PV) power generation unit, a battery energy storage system (BESS), an electric vehicle (EV), household loads, and a heating, ventilation, and air conditioning (HVAC) system. The operation of this system is studied under various seasonal operating conditions and for two electricity pricing scenarios: Time-of-Use (ToU) pricing and Real-Time Pricing (RTP).
To address the optimization problem, the dynamic behavior of the building was modeled, and three control strategies were examined. Initially, a static daily schedule was implemented using the Particle Swarm Optimization (PSO) algorithm. Next, a Model Predictive Control (MPC) strategy was developed for real-time management using a rolling horizon. Finally, the Q-Learning Reinforcement Learning algorithm was modeled and trained. This algorithm operates without prior knowledge of the model (model-free) and learns the optimal control policy through continuous interaction with the environment. The above algorithms were evaluated in comparison with a reference scenario, in which the loads operate without optimization. 
The simulation results show that the proposed control strategies that were implemented offer improved energy performance compared to the reference scenario and lower power consumption from the electrical grid. At the same time, the building’s internal temperature is maintained within the occupants’ acceptable comfort limits, while more efficient load scheduling and better management of local energy generation and storage units are achieved.

Meeting ID: 967 8767 2714
Password: 259569

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ιωάννη Γιαννουράκη

με θέμα

Ανάλυση Ριζικών Αιτιών Εφαρμοσμένη σε Ένα Πανεπιστημιακό Δίκτυο Αξιοποιώντας Μοντέρνες Μεθόδους Μηχανικής Μάθησης 

Root Cause Analysis Performed on a Campus Network using Modern Machine Learning Methods

Εξεταστική Επιτροπή

Καθηγητής Θρασύβουλος Σπυρόπουλος (επιβλέπων)
Καθηγητής Μιχαήλ Γ. Λαγουδάκης
Δρ Ιωάννης Πευκιανάκης (Staff Wireless Architect, Apple)

Περίληψη

Η διάγνωση προβλημάτων απόδοσης σε εταιρικά ασύρματα δίκτυα IEEE 802.11 απαιτεί βαθιά εξειδίκευση στο αντικείμενο, ώστε να είναι δυνατή η ερμηνεία πυκνών και πολυδιάστατων αρχείων καταγραφής συστήματος. Παρότι συστήματα ελέγχου που τρέχουν το Aruba OS 8, όπως αυτό που χρησιμοποιείται στο δίκτυο της πανεπιστημιούπολής μας, παρέχουν πληθώρα δεδομένων δικτύου, ο τεράστιος όγκος και η πολυπλοκότητα αυτών των syslogs καθιστούν τη χειροκίνητη Ανάλυση Βασικών Αιτιών (Root Cause Analysis – RCA) ιδιαίτερα αναποτελεσματική και επιρρεπή σε σφάλματα. Η παρούσα διπλωματική εργασία εισάγει ένα έξυπνο πλαίσιο βασισμένο σε διάφορες πηγές δεδομένων, για την αυτοματοποίηση της διάγνωσης προβλημάτων δικτύων, αξιοποιώντας προσαρμοσμένη πληροφορία και γλωσσικά μοντέλα με δυνατότητες συλλογισμού.
Για την ακριβή αποτύπωση της δυναμικής αλληλεπίδρασης μεταξύ των χρηστών και του δικτύου, αναπτύχθηκε μια προσαρμοσμένη εφαρμογή διακομιστή-πελάτη για την παρακολούθηση της απόδοσης. Η πληροφορία στο επίπεδο του χρήστη εξήχθη σε πραγματικό χρόνο και συσχετίστηκε αυστηρά ως χρονοσειρά με συγκεντρωτικά αρχεία συστήματος του Aruba OS 8. Η σύνθεση αυτή οδήγησε στη δημιουργία ενός νέου, εξειδικευμένου συνόλου δεδομένων (dataset) αντιμετώπισης προβλημάτων, ειδικά σχεδιασμένου για την καταγραφή και την αξιολόγηση σύνθετων σεναρίων βλάβης σε δίκτυα Wi-Fi. Στη συνέχεια, το εξειδικευμένο αυτό σύνολο δεδομένων χρησιμοποιήθηκε για τη διερεύνηση και την αξιολόγηση μιας αυτοματοποιημένης διαγνωστικής μεθοδολογίας, βασισμένης σε εκπαίδευση δύο σταδίων. Αρχικά, η μεθοδολογία αξιοποιεί ένα πολυπρακτορικό σύστημα για επιβλεπόμενη λεπτομερή προσαρμογή γλωσσικών μοντέλων (Supervised Fine-Tuning – SFT), ενσωματώνοντας γνώση του αντικειμένου στο μοντέλο μέσω της παραγωγής δομημένων, βήμα προς βήμα διαδρομών συλλογισμού αλυσίδας σκέψης (Chain-of-Thought – CoT). Στη συνέχεια, εφαρμόζεται ενισχυτική μάθηση μέσω της μεθόδου Group Relative Policy Optimization (GRPO), με σκοπό την περαιτέρω βελτίωση της διαγνωστικής ακρίβειας του μοντέλου. Μέσω της επιτυχούς αντιστοίχισης σύνθετων καταστάσεων του δικτύου σε σαφώς προσδιορισμένες βασικές αιτίες και της παραγωγής κατανοητών από τον άνθρωπο, πολυβηματικών διαγνωστικών επεξηγήσεων, η παρούσα διπλωματική εργασία επιβεβαιώνει την αποτελεσματικότητα της αξιοποίησης λεπτομερώς προσαρμοσμένων γλωσσικών μοντέλων μικρού μεγέθους. Τελικά, η προσέγγιση αυτή γεφυρώνει το χάσμα μεταξύ της ακατέργαστης, πυκνά δομημένης πληροφορίας του συστήματος και των αξιοποιήσιμων συμπερασμάτων, ενισχύοντας σημαντικά την ερμηνευσιμότητα και τη λειτουργική διαχείριση εταιρικών ασύρματων περιβαλλόντων.

Abstract 

Diagnosing performance anomalies in enterprise IEEE 802.11 wireless networks requires deep domain expertise to parse dense, high-dimensional system logs. While controllers running Aruba OS 8, like the one used in our campus network, provide extensive telemetry, the sheer volume and complexity of these syslogs make manual Root Cause Analysis (RCA) highly inefficient and prone to error. This thesis introduces a data-driven, intelligent framework to automate network diagnostics by leveraging customized telemetry and reasoning-capable language models. 
To accurately capture the dynamic interaction between clients and the network, a custom performance monitoring server-client application was developed. Real-time user plane telemetry was extracted and strictly time-series correlated with aggregated Aruba OS 8 syslogs. This synthesis resulted in a novel, curated troubleshooting dataset specifically designed to capture and benchmark complex Wi-Fi fault scenarios. This curated dataset was subsequently utilized to explore and evaluate an automated diagnostic pipeline based on a two-stage training methodology. Initially, the pipeline employs a multi-agent system for supervised fine-tuning (SFT), embedding domain knowledge into the model by generating structured, step-by-step chain-of-thought (CoT) reasoning trajectories. Following this, reinforcement learning via group relative policy optimization (GRPO) is applied to further refine the model's diagnostic accuracy. By successfully mapping intricate network states to definitive root causes and generating human-readable, multi-step diagnostic explanations, this thesis demonstrates the efficacy of deploying fine-tuned, small-sized language models. Ultimately, this approach bridges the gap between raw, densely packed system telemetry and actionable insights, significantly enhancing the interpretability and operational management of enterprise wireless environments.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Δημητρίου Σουλιώτη

με θέμα

Ανάπτυξη Υπολογιστικού Εργαλείου για Παρεμβολή και Πρόβλεψη Χρονοσειρών με Αραιά Μοντέλα Τοπικών Αλληλεπιδράσεων

Development of Computational Tool for Time Series Interpolation and Forecasting using Sparse Local Interaction Models

Εξεταστική Επιτροπή

Καθηγητής Διονύσιος Χριστόπουλος (επιβλέπων)
Καθηγητής Μιχαήλ Γ. Λαγουδάκης
Δρ Σοφία Τσακιρίδου (ΠΚ, Σχολή ΗΜΜΥ, ΕΔΙΠ)

Περίληψη

Στην παρούσα διπλωματική εργασία αναπτύσσεται μια μέθοδος για τον υπολογισμό ενός μοντέλου που πραγματοποιεί παρεμβολή και βραχυπρόθεσμη πρόβλεψη τιμών μιας χρονοσειράς, με βάση την έννοια της Στοχαστικής Διαδικασίας Boltzmann–Gibbs (Boltzmann–Gibbs Random Process — BGRP). Η μέθοδος στηρίζεται σε ιδέες από τη στατιστική φυσική και χρησιμοποιεί μια τοπική συνάρτηση ενέργειας. Επιπλέον, αξιοποιεί την αναπαράσταση των χρονικών εξαρτήσεων μέσω ενός αραιού πίνακα ακρίβειας (ισορροπίας), με στόχο την περιγραφή και τον χαρακτηρισμό της δομής μιας χρονοσειράς.
Η υπολογιστική διαδικασία περιλαμβάνει την εκτίμηση των παραμέτρων μέσω της μεθόδου των ροπών (MMoM), την εφαρμογή Μπεϋζιανής βελτιστοποίησης (Bayesian optimization), την κατασκευή του πίνακα ακρίβειας (ισορροπίας), την παρεμβολή των ελλειπουσών τιμών και την πρόβλεψη μελλοντικών τιμών της χρονοσειράς. Η πειραματική αξιολόγηση πραγματοποιείται σε δύο κατηγορίες συνθετικών χρονοσειρών: περιοδικά ημιτονοειδή σήματα με διαφορετικά επίπεδα θορύβου και Γκαουσιανές στοχαστικές διεργασίες με εκθετική συνδιακύμανση και διαφορετικά μήκη συσχέτισης. Για κάθε σενάριο πραγματοποιούνται 30 επαναλήψεις Monte Carlo, με κοινό σύνολο εκπαίδευσης 290 τιμών και κοινό ορίζοντα πρόβλεψης 10 μελλοντικών σημείων. Οι προβλέψεις παράγονται από κοινό σημείο εκκίνησης και χωρίς ενδιάμεση ενημέρωση των μοντέλων με τις πραγματικές μελλοντικές τιμές. 
Η προτεινόμενη μέθοδος συγκρίνεται, ανάλογα με το πειραματικό σενάριο, με τα μοντέλα Holt, Holt–Winters και αυτοπαλινδρόμησης δεύτερης τάξης, δηλαδή AR(2), χρησιμοποιώντας ως βασικές μετρικές αξιολόγησης το μέσο τετραγωνικό σφάλμα (RMSE) και το μέσο απόλυτο σφάλμα (MAE). Αξιοποιώντας τις τοπικές αλληλεπιδράσεις που περιγράφονται από το μοντέλο, η προτεινόμενη τεχνική προσέγγιση επιτυγχάνει υπολογιστική αποδοτικότητα, ενώ παράλληλα παραμένει αρκετά ευέλικτη ώστε να περιγράψει διαφορετικά είδη συμπεριφοράς χρονοσειρών.
Τα αποτελέσματα δείχνουν ότι, στο περιοδικό ημιτονοειδές σήμα, το μοντέλο Holt–Winters επιτυγχάνει τα μικρότερα σφάλματα πρόβλεψης, καθώς αξιοποιεί ρητά την περιοδική δομή του σήματος. Στο στοχαστικό δείγμα με πυρήνα εκθετικής συνδιακύμανσης, το μοντέλο Holt παρουσιάζει την καλύτερη απόδοση. Το μοντέλο πρόβλεψης BGRP επιτυγχάνει ακρίβεια πρόβλεψης συγκρίσιμη με εκείνη του κλασικού μοντέλου χρονοσειρών AR(2) και για τα δύο είδη σημάτων, χωρίς να προϋποθέτει συγκεκριμένη περιοδική ή αυτοπαλίνδρομη δομή. Παράλληλα, χάρη στην πιθανοτική του διατύπωση, παρέχει και διαστήματα πρόβλεψης για την εκτίμηση της αβεβαιότητας των προβλέψεων.

Abstract 

This thesis introduces an approach to building a model that performs interpolation and short-term forecasting of time-series values based on the concept of the Boltzmann–Gibbs Random Process (BGRP). The approach combines ideas from statistical physics with a local energy function. Moreover, temporal dependencies are represented by a sparse precision matrix to describe and characterize the structural properties of a time series. 
The computational procedure includes parameter estimation using the Modified Method of Moments (MMoM), the application of Bayesian optimization, the construction of the precision matrix, the interpolation of missing values, and the prediction of future time-series values. The experimental evaluation is carried out on two categories of synthetic time series: periodic sinusoidal signals with different noise levels and Gaussian stochastic processes with exponential covariance kernel and different correlation lengths. For each scenario, 30 Monte Carlo runs are performed using a common training set of 290 values and a common forecasting horizon of 10 future points. Forecasts are generated from the same forecast origin without updating the models using future observations of the time series. 
Depending on the experiment, the proposed approach is compared with the Holt, Holt-Winters, and AR(2) models using Root Mean Square Error (RMSE) and Mean Absolute Error (MAE) as evaluation metrics. By exploiting local interactions, the proposed algorithm is computationally efficient and flexible enough to describe different types of time-series behavior. The results show that, in the periodic sinusoidal experiment, the Holt-Winters model gives the smallest forecasting errors because it explicitly captures the periodic structure of the signal. In the stochastic scenario with exponential covariance, the Holt model shows the best results. The forecasting accuracy of the BGRP predictor is comparable to that of the classical AR(2) time-series model in both scenarios, without assuming any specific periodic or autoregressive structure. At the same time, due to its probabilistic nature, the BGRP model also generates prediction intervals for estimating forecast uncertainty.  

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Θεοδώρας Χρίστου 

με θέμα

Μελέτη, Σχεδιασμός και Υλοποίηση Συνελικτικού Αλγορίθμου Μηχανικής Εκμάθησης Νευρωνικών Δικτύων σε Αναδιατασσόμενη Λογική

Study, Design and Implementation of Convolutional Algorithms for Machine Learning Neural Networks in Reconfigurable Logic

Εξεταστική Επιτροπή

Καθηγητής Σωτήριος Ιωαννίδης (επιβλέπων)
Ομότιμος Καθηγητής Απόστολος Δόλλας 
Δρ Γρηγόριος Χρύσος
    
Περίληψη

Η εργασία εξετάζει τρόπους αποδοτικής εφαρμογής νευρωνικών δικτύων σε υπολογιστικές πλατφόρμες περιορισμένων πόρων, με στόχο τη βελτίωση της ταχύτητας, της ενεργειακής απόδοσης και της αξιοπιστίας σε εφαρμογές πραγματικού χρόνου. Παρουσιάζεται η διαδικασία υλοποίησης των αλγορίθμων, καθώς και τεχνικές βελτιστοποίησης που επιτρέπουν την αποτελεσματικότερη χρήση της μηχανικής μάθησης σε σύγχρονα ενσωματωμένα συστήματα.

Abstract 

Predictive maintenance in edge computing plays a pivotal role in ensuring the reliability and efficiency of critical systems. Neural networks are particularly well-suited for predictive maintenance due to their ability to effectively model complex patterns and relationships within data. While powerful in their predictive capabilities, they often face challenges when deployed on resource-constrained edge devices. The limitations in computational efficiency and real-time responsiveness hinder their seamless integration into edge environments. This research focuses on the implementation of a Convolutional Neural Network (CNN) algorithm for machine learning in reconfigurable logic. By leveraging the parallel processing capabilities of FPGAs, these challenges can be overcome. The FPGA implementation not only enhances the adaptability of predictive maintenance models to the dynamic nature of edge environments but also addresses the broader problem of seamlessly integrating neural networks into resource-constrained environments.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Παναγιώτη Αγραφιώτη

με θέμα
Μελέτη Μεταβατικής Συμπεριφοράς Αγωγών Καθόδου Συστημάτων Αντικεραυνικής Προστασίας
Transient Impedance of Down Conductors for Lightning Protection Systems

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

Περίληψη

Η παρούσα διπλωματική εργασία πραγματεύεται τη μελέτη της μεταβατικής συμπεριφοράς αγωγών καθόδου συστημάτων αντικεραυνικής προστασίας, με στόχο την αξιολόγηση της καταλληλότητας διαφορετικών μοντέλων γραμμών μεταφοράς για την προσομοίωση κεραυνικών φαινομένων. Αρχικά παρουσιάζεται το θεωρητικό υπόβαθρο που διέπει τη διάδοση ηλεκτρομαγνητικών κυμάτων σε αγωγούς καθόδου, καθώς και οι βασικές αρχές της θεωρίας γραμμών μεταφοράς και των συχνοεξαρτώμενων ηλεκτρικών παραμέτρων.
Στο πειραματικό μέρος πραγματοποιήθηκαν μετρήσεις της ταχύτητας διάδοσης του ρεύματος σε γυμνούς χάλκινους αγωγούς διαφορετικών διατομών με χρήση γεννήτριας συχνοτήτων. Επιπλέον, πραγματοποιήθηκαν πειράματα με χρήση κρουστικής γεννήτριας με στόχο την πειραματική διερεύνηση της συμπεριφοράς των αγωγών υπό πρότυπη κεραυνική διέγερση. Αν και δεν κατέστη δυνατός ο άμεσος υπολογισμός της ταχύτητας διάδοσης από τις κρουστικές μετρήσεις λόγω περιορισμών του διαθέσιμου εργαστηριακού εξοπλισμού, οι καταγεγραμμένες κυματομορφές αξιοποιήθηκαν για τη συγκριτική αξιολόγηση των αποτελεσμάτων των αριθμητικών προσομοιώσεων.
Για την αριθμητική ανάλυση χρησιμοποιήθηκε το λογισμικό FEMM, μέσω του οποίου υπολογίστηκαν οι συχνοεξαρτώμενες ηλεκτρικές παράμετροι των εξεταζόμενων αγωγών. Οι παράμετροι αυτές χρησιμοποιήθηκαν στη συνέχεια για την ανάπτυξη μοντέλων γραμμών μεταφοράς στο περιβάλλον ATP/EMTP. Πραγματοποιήθηκαν προσομοιώσεις πρότυπων κρουστικών παλμών 8/20 μs και συγκρίθηκαν διαφορετικές προσεγγίσεις μοντελοποίησης, με σκοπό την αξιολόγηση της επίδρασης των παραδοχών κάθε μοντέλου στη μεταβατική απόκριση των αγωγών.
Η σύγκριση των πειραματικών και αριθμητικών αποτελεσμάτων επέτρεψε την αξιολόγηση της ακρίβειας των εξεταζόμενων μοντέλων και την εξαγωγή συμπερασμάτων σχετικά με την εφαρμογή τους στη μελέτη συστημάτων αντικεραυνικής προστασίας. Η εργασία αναδεικνύει τη σημασία της ορθής μοντελοποίησης των αγωγών καθόδου, καθώς και της πειραματικής επαλήθευσης των αριθμητικών προσομοιώσεων, συμβάλλοντας στην καλύτερη κατανόηση της μεταβατικής συμπεριφοράς τους κατά τη διέλευση κεραυνικών ρευμάτων.
Λέξεις-κλειδιά: αγωγοί καθόδου, ATP/EMTP, FEMM, μεταβατικά ηλεκτρομαγνητικά φαινόμενα, συστήματα αντικεραυνικής προστασίας, ταχύτητα διάδοσης.

Abstract 

This diploma thesis investigates the transient behavior of down conductors used in lightning protection systems, aiming to evaluate the suitability of different transmission line models for the simulation of lightning-induced phenomena. Initially, the theoretical background governing the propagation of electromagnetic waves along down conductors is presented, with emphasis on transmission line theory, distributed electrical parameters, and frequency-dependent effects.
The experimental part includes measurements of current propagation velocity on bare copper conductors of different cross-sectional areas using a high-frequency signal generator. In addition, experiments were carried out using an impulse generator to investigate the response of the conductors under a standard lightning current waveform. Although the direct determination of current propagation velocity from the impulse measurements was not feasible due to limitations of the available laboratory equipment, the recorded waveforms were successfully utilized for comparison with the numerical simulation results.
For the numerical analysis, the Finite Element Method Magnetics (FEMM) software was employed to calculate the frequency-dependent electrical parameters of the examined conductors. These parameters were subsequently used to develop transmission line models in the ATP/EMTP environment. Standard 8/20 μs impulse current simulations were performed, and different modeling approaches were comparatively evaluated in order to investigate the influence of each model on the transient response of the conductors.
The comparison between experimental measurements and numerical simulations enabled the assessment of the accuracy of the investigated transmission line models and the identification of the most suitable approach for representing the transient behavior of down conductors. The results highlight the importance of accurate conductor modeling and experimental validation in improving the reliability of lightning transient simulations and contribute to a better understanding of the electromagnetic behavior of lightning protection systems.
Keywords: down conductors, ATP/EMTP, FEMM, transient electromagnetic phenomena, lightning protection systems, current propagation velocity.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Γεωργίας Μπαντουβά

με θέμα

Αυτοεπιβλεπόμενη Μάθηση με χρήση Νευρωνικών Δικτύων και Γράφων για Ανίχνευση Επιληψίας

Graph-based Self-Supervised Learning for Epilepsy Detection

Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
Καθηγητής Μιχαήλ Γ. Λαγουδάκης
Επίκουρος Καθηγητής Μάριος Αντωνακάκης (ΕΛΜΕΠΑ, Τμήμα Ηλεκτρονικών Μηχανικών)

Περίληψη

Η επιληψία είναι μία από τις πιο κοινές νευρολογικές διαταραχές παγκοσμίως, πλήττοντας περίπου 50 εκατομμύρια ανθρώπους. Παρά τις διαθέσιμες θεραπείες, σχεδόν το 30% των ασθενών εμφανίζει φαρμακοανθεκτική επιληψία, ενώ η απρόβλεπτη εκδήλωση των κρίσεων επιβαρύνει σημαντικά την ποιότητα ζωής. Η αυτοματοποιημένη ανίχνευση επιληψίας από σήματα ηλεκτροεγκεφαλογραφήματος (ΗΕΓ) αποτελεί επομένως ένα κλινικά σημαντικό πρόβλημα, το οποίο περιπλέκεται λόγω της μεγάλης ετερογένειας μεταξύ των ασθενών και της περιορισμένης διαθεσιμότητας επισημασμένων δεδομένων. Η παρούσα διπλωματική εργασία προτείνει ένα πλαίσιο βαθιάς μάθησης βασισμένο σε γράφους και το αξιολογεί στο σύνολο δεδομένων Temple University EEG Epilepsy Corpus (TUEP), το οποίο περιλαμβάνει 200 ασθενείς και αντιπροσωπεύει έναν μεγάλο και ετερογενή κλινικό πληθυσμό, χρησιμοποιώντας ένα αυστηρό σχήμα διαχωρισμού train/validation/test. Το τελικό πρόβλημα ορίζεται ως δυαδική ταξινόμηση επιληψίας έναντι υγιούς δείγματος σε επίπεδο epoch. Κάθε τμήμα ΗΕΓ αναπαρίσταται ως μη κατευθυνόμενος, σταθμισμένος γράφος, όπου οι κόμβοι αντιστοιχούν στα ηλεκτρόδια και οι ακμές κωδικοποιούν τη λειτουργική συνδεσιμότητα μέσω του δείκτη Phase Lag Index (PLI). Ένα Συνελικτικό Δίκτυο Γράφων (GCN) εκπαιδεύεται για την ταξινόμηση αυτών των γράφων, χρησιμοποιώντας φασματικά χαρακτηριστικά, παραμέτρους Hjorth και χαρακτηριστικά πεδίου χρόνου ανά κανάλι ως χαρακτηριστικά κόμβων. Για τη μείωση της εξάρτησης από επισημασμένα δεδομένα, εισάγεται ένα στάδιο αυτοεπιβλεπόμενης προεκπαίδευσης μέσω αντιθετικής μάθησης σε γράφους (GraphCL), όπου ο κωδικοποιητής εκπαιδεύεται αρχικά σε μη επισημασμένα δεδομένα πριν από την τελική επιβλεπόμενη εκπαίδευση. Επιπλέον, για λόγους σύγκρισης αξιολογούνται κλασικά μοντέλα μηχανικής μάθησης καθώς και μία παραλλαγή GCN που χρησιμοποιεί μόνο πληροφορία συνδεσιμότητας. Τα αποτελέσματα δείχνουν ότι το Random Forest επιτυγχάνει το υψηλότερο AUC (84.4%), το επιβλεπόμενο GCN με χαρακτηριστικά κόμβων σημειώνει τα καλύτερα αποτελέσματα σε F1 (81.8%), ακρίβεια (76.3%) και MCC (48.4%), ενώ το SSL-GCN παρουσιάζει την υψηλότερη εξειδίκευση και την πιο ισορροπημένη σχέση μεταξύ ευαισθησίας και εξειδίκευσης (77.7%-69.3%). Τα ευρήματα αυτά δείχνουν ότι τα τοπικά χαρακτηριστικά κόμβων είναι καθοριστικά, ενώ η δομή του γράφου και η αυτοεπιβλεπόμενη προεκπαίδευση προσφέρουν συμπληρωματικά οφέλη ανάλογα με τη μετρική αξιολόγησης και τον επιδιωκόμενο κλινικό στόχο.

Abstract 

Epilepsy is one of the most common neurological disorders worldwide, affecting approximately 50 million people. Despite available treatments, nearly 30% of patients develop drug-resistant epilepsy, while seizure unpredictability severely affects quality of life. Automated epilepsy detection from electroencephalography (EEG) is therefore clinically important, but remains challenging due to strong inter-patient variability and limited expert-labelled data. This thesis proposes a graph-based EEG analysis pipeline and evaluates it on the Temple University EEG Epilepsy Corpus (TUEP), a large and heterogeneous clinical dataset of 200 patients, under a strict patient-level train/validation/test split. The downstream task is binary classification between patients with epilepsy and healthy controls at the epoch level. Each EEG epoch is modelled as an undirected weighted graph, where nodes correspond to electrodes and edges encode functional connectivity estimated with the Phase Lag Index (PLI). A Graph Convolutional Network (GCN) is trained to classify the graphs using spectral, Hjorth, and time-domain features as node attributes. In order to reduce dependence on labelled data, a self-supervised pre-training stage based on graph contrastive learning (GraphCL) is introduced, where the encoder first learns from unlabelled graphs before fine-tuning on labelled data. Classical machine-learning baselines and a GCN with connectivity-only information are also evaluated for comparison. The results show that Random Forest achieves the highest AUC (84.4%), the supervised feature-based GCN gives the best F1 (81.8%), accuracy (76.3%), and MCC (48.4%), while the SSL-GCN gives the highest specificity and the most balanced performance regarding sensitivity and specificity (77.7%–69.3%). These findings indicate that local node features are essential, while graph structure and self-supervised pre-training provide complementary benefits depending on the evaluation metric and the target clinical operating point.

Meeting ID: 918 3112 7338
Password: 996903

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Χαράλαμπου Χούλη 

με θέμα

Αλγόριθμοι Επιγραμμικής Μάθησης για τη Βελτιστοποίηση Συστάσεων σε Περιβάλλοντα Πολυεκπομπής Περιεχομένου 

Online Learning Algorithms for Recommendation Optimization in Multicast Content Environments

Εξεταστική Επιτροπή
Καθηγητής Θρασύβουλος Σπυρόπουλος (επιβλέπων)
Καθηγητής Μιχαήλ Γ. Λαγουδάκης
Δρ Ιωάννης Πευκιανάκης, Αρχιτέκτων Ασύρματων Συστημάτων στην Apple 

Περίληψη

Το ζωντανό περιεχόμενο και το περιεχόμενο συνεχούς ροής αποτελούν έναν από τους κυρίαρχους φόρτους εργασίας των σύγχρονων υποδομών επικοινωνιών. Στα συστήματα κοινόχρηστης διανομής, σημαντικό μέρος του λειτουργικού κόστους δεν συνδέεται με τον όγκο της κίνησης, αλλά με το πλήθος των διακριτών ροών που πρέπει να διατηρούνται ενεργές: μία και μόνη ροή μπορεί να μοιράζεται μεταξύ πολλών ταυτόχρονων θεατών, ενώ κάθε πρόσθετη ενεργή ροή καταναλώνει σπάνιους πόρους, όπως η χωρητικότητα μετακωδικοποίησης (transcoding) και η αντιγραφή στους εξυπηρετητές άκρης (edge replication). Τα συστήματα συστάσεων, τα οποία παραδοσιακά αντιμετωπίζονται ως μηχανισμοί εξατομίκευσης προς τον χρήστη, διαμορφώνουν επίσης τον τρόπο με τον οποίο κατανέμεται η ζήτηση μεταξύ των ροών και λειτουργούν συνεπώς ως μοχλός ελέγχου του δικτύου: κατευθύνοντας έναν αφικνούμενο χρήστη προς ένα ήδη ενεργό κανάλι, το σύστημα συστάσεων μπορεί να συγκεντρώσει τη ζήτηση και να μειώσει το πλήθος των ενεργών ροών, υπό την προϋπόθεση ότι διατηρείται η ποιότητα εμπειρίας του χρήστη. Η παρούσα διπλωματική εργασία μελετά το προκύπτον πρόβλημα συστάσεων φιλικών προς την πολυεκπομπή (multicast-friendly), το οποίο διατυπώνεται ως ελαχιστοποίηση υπό περιορισμούς του χρονικά μέσου πλήθους ενεργών καναλιών, με κάτω φράγμα στη μέση χρησιμότητα που παρέχεται ανά άφιξη. Το κεντρικό ερώτημα σε όλη την εργασία είναι κατά πόσον μια επιγραμμική (online) πολιτική με επίγνωση της κατάστασης του συστήματος μπορεί να ικανοποιεί αυτό το κατώφλι ποιότητας εμπειρίας, διατηρώντας ταυτόχρονα αυστηρά λιγότερα ενεργά κανάλια από μια ισχυρή στατική πολιτική αναφοράς.
Το πρόβλημα διατυπώνεται ως δεσμευμένη μαρκοβιανή διαδικασία αποφάσεων (Constrained Markov Decision Process, CMDP) επάνω σε ένα μοντέλο δραστηριότητας χρηστών ON/OFF συνεχούς χρόνου, και αναπτύσσεται μια ακολουθία δυναμικών πολιτικών αυξανόμενης κλίμακας έναντι δύο στατικών πολιτικών αναφοράς: μιας άπληστης ευρετικής κάλυψης συνόλου (greedy set-cover) και μιας αναλυτικά βελτιστοποιημένης πολιτικής κατωφλίου α, οι παράμετροι της οποίας προκύπτουν εκτός γραμμής (offline) μέσω μιας προσέγγισης μέσου πεδίου (mean-field). Το πρόβλημα μικρής κλίμακας επιλύεται αρχικά με ακρίβεια μέσω επανάληψης τιμών (Value Iteration), απομονώνοντας τον μηχανισμό, επαναχρησιμοποίηση των ενεργών καναλιών και αποφυγή πρόωρων ενεργοποιήσεων, μέσω του οποίου η προνοητικότητα μειώνει το κόστος. Για την επίτευξη ρεαλιστικών κλιμάκων, η πινακοποιημένη λύση αντικαθίσταται από ένα βαθύ δίκτυο Q (Deep Q-Network, DQN) που εκπαιδεύεται απευθείας στη δυναμική της δραστηριότητας των χρηστών, με τον περιορισμό ποιότητας εμπειρίας να επιβάλλεται εντός του αλγορίθμου μάθησης μέσω λαγκρανζιανής, βελτιστοποιούμενης με δυϊκή ανάβαση (dual ascent). Σημαντικό μέρος της εργασίας είναι διαγνωστικό: στο ομοιογενές, συμμετρικό καθεστώς αποδεικνύεται ότι υπάρχει εφικτή μαθημένη (learned)  πολιτική που υπερτερεί της στατικής πολιτικής αναφοράς και ότι είναι αναπαραστάσιμη από το δίκτυο, ωστόσο η εκπαίδευση από ψυχρή εκκίνηση (cold start) αδυνατεί να τη φθάσει. Το εμπόδιο αυτό εντοπίζεται, δι' αποκλεισμού, στην κλάση των ντετερμινιστικών πολιτικών argmax, η οποία δεν μπορεί να διατηρήσει τη μεικτή πολιτική που απαιτεί το βέλτιστο σημείο μείωσης κόστους επάνω σε εναλλάξιμες καταστάσεις. Η άρση αυτής της εναλλαξιμότητας μέσω ετερογένειας στους ρυθμούς δραστηριότητας, σε συνδυασμό με μια αρχιτεκτονική ανά κανάλι (channel-wise architecture) αναλλοίωτη σε μεταθέσεις, ένα χαρακτηριστικό επιμονής (persistence) ανά κανάλι και έναν διαβαθμισμένο περιορισμό, επιτρέπει στη μαθημένη πολιτική να βελτιώνει αυστηρά τη στατική πολιτική αναφοράς, παραμένοντας εφικτή από ψυχρή εκκίνηση. Μια ανάλυση ανά απόφαση αποδίδει το κέρδος στην εξαρτώμενη από την κατάληψη επαναχρησιμοποίηση μακρόβιων καναλιών, την οποία ο στατικός κανόνας δεν μπορεί να αναπαραστήσει, χωρίς καμία θυσία στη χρησιμότητα του χρήστη. Ένας έλεγχος με μυωπική πολιτική δείχνει ότι το πλεονέκτημα διατηρείται και με μηδενικό συντελεστή έκπτωσης, εντοπίζοντάς το στην αναπαράσταση της κατάστασης και όχι στο βάθος σχεδιασμού. Το πλεονέκτημα είναι υπό συνθήκη και όχι καθολικό: φέρεται από την ετερογένεια των ρυθμών δραστηριότητας, μια δομή που η στατική πολιτική αναφοράς δεν μπορεί να αναπαραστήσει αλλά η μαθημένη πολιτική μπορεί να εκμεταλλευθεί, ενώ η ασυμμετρία δημοτικότητας απορροφάται απευθείας στο βέλτιστο της ίδιας της πολιτικής αναφοράς. Η εργασία, συνεπώς, τεκμηριώνει ότι ένα μαθημένο σύστημα συστάσεων που σέβεται τον περιορισμό μπορεί να υπερτερεί μιας ισχυρής στατικής πολιτικής αναφοράς, και προσδιορίζει την αναπαραστατική ασυμμετρία που απαιτεί αυτή η βελτίωση.

Abstract 

Live and streamed content constitutes one of the dominant workloads of modern communication infrastructure. In shared delivery systems a substantial part of the operating cost is tied not to the volume of traffic but to the number of distinct streams that must be kept active: a single stream can be shared across many co-viewers while each additional active stream draws on scarce resources such as transcoding capacity and edge replication. Recommendation systems, traditionally treated as user-facing personalisation mechanisms, also shape how demand is distributed across streams and therefore act as a network-control lever: by steering an arriving user toward an already-active channel, the recommender can consolidate demand and reduce the number of active streams, provided the user's quality of experience is preserved. This thesis studies the resulting multicast-friendly recommendation problem, formalised as the constrained minimisation of the time-averaged number of active channels subject to a lower bound on the mean utility delivered per arrival. The central question throughout is whether an online, state-aware policy can meet this
quality-of-experience floor while sustaining strictly fewer active channels than a strong static benchmark.
The problem is cast as a constrained Markov decision process over a continuous-time ON/OFF user-activity model, and a sequence of dynamic policies of increasing scale is developed against two static baselines: a greedy set-cover heuristic and an analytically optimised α-threshold policy whose parameters are derived offline through a mean-field approximation. The small-scale problem is first solved exactly by value iteration, isolating the mechanism, reuse of active channels and avoidance of premature activations, by which foresight reduces cost. To reach realistic scales the tabular solution is replaced by a deep Q-network trained directly against the activity dynamics, with the quality-of-experience constraint enforced inside the learner through a Lagrangian relaxation optimised by dual ascent. A substantial part of the work is diagnostic: in the homogeneous, symmetric regime a feasible learned policy that beats the static benchmark is shown to exist and to be representable by the network, but cold-start training cannot reach it, and this obstruction is traced by elimination to a deterministic-argmax policy class that cannot hold the mixing policy the cost-improving optimum requires over exchangeable states. Breaking this exchangeability through activity-rate heterogeneity, together with a permutation-invariant channel-wise architecture, a per-channel persistence feature, and a graded constraint, enables the learned policy to strictly improve on the static benchmark while remaining feasible from a cold start. A per-decision analysis attributes the gain to occupancy-conditioned reuse of long-lived channels that the static rule cannot represent, delivered without any sacrifice in user utility. A myopic-policy control shows the advantage survives with the discount removed, locating it in the state representation rather than planning depth. The advantage is conditional rather than universal: it is carried by activity-rate heterogeneity, a structure the static benchmark cannot represent but the learned policy can exploit, whereas popularity skew is absorbed directly into the benchmark's own optimum. The thesis therefore establishes that a learned, constraint-respecting recommender can outperform a strong static benchmark  and identifies the representational asymmetry that this improvement requires.

Meeting ID: 92187241010
Password: 457753

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Γεωργίου Συντυχάκη 

με θέμα

Έλεγχος Γραμμών Παραγωγής με Ζήτηση Ενδιάμεσων και Τελικών Προϊόντων μέσω Τεχνικών Ενισχυτικής Μάθησης

Control of Production Lines with Demand for Intermediate and Final Products through Reinforcement Learning Techniques

Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Γ. Λαγουδάκης (Σχολή ΗΜΜΥ, Επιβλέπων)
Καθηγητής Γεώργιος Χαλκιαδάκης (Σχολή ΗΜΜΥ)
Αναπληρωτής Καθηγητής Ευστράτιος Ιωαννίδης (Σχολή ΜΠΔ)

Περίληψη
Μια σημαντική πρόκληση στον χώρο της βιομηχανικής παραγωγής αποτελεί η αποδοτική διαχείριση και ο έλεγχος των γραμμών παραγωγής σε περιβάλλοντα με δυναμική ζήτηση. Στην παρούσα διπλωματική εργασία, αναπτύσσεται μια μεθοδολογία βασισμένη στον Q-learning, ο οποίος αποτελεί έναν αλγόριθμο ενισχυτικής μάθησης, για τον έλεγχο γραμμών παραγωγής που εξυπηρετούν την ζήτηση τόσο ενδιάμεσων όσο και τελικών προϊόντων. Δεδομένου ότι οι αφίξεις των πελατών είναι τυχαίες και  ακολουθούν την κατανομή Poisson, ενώ οι χρόνοι παραγωγής είναι εκθετικά κατανεμημένοι, το σύστημα παραγωγής μοντελοποιείται ως Μαρκοβιανή Διαδικασία Αποφάσεων (Markov Decision Process). Ο πράκτορας ελέγχου εκπαιδεύεται με σκοπό την προσέγγιση μιας βέλτιστης πολιτικής ελέγχου παραγωγής, η οποία ελαχιστοποιεί το κόστος λειτουργίας του συστήματος, λαμβάνοντας υπόψη παραμέτρους, όπως η διαθεσιμότητα προϊόντων και η κάλυψη της ζήτησης. Οι ανταμοιβές (rewards) που λαμβάνει το σύστημα καθορίζονται από την ικανοποίηση της ζήτησης, τον χρόνο παραμονής προϊόντων σε απόθεμα, καθώς και τον χρόνο κατά τον οποίο παραμένει μια παραγγελία τελικού προϊόντος εκκρεμής. Μέσω εκτεταμένων προσομοιώσεων, εξετάζεται η αποτελεσματικότητα του προτεινόμενου συστήματος. Επίσης, υπολογίζεται το μέσο κόστος της εκάστοτε πολιτικής και συγκρίνεται με αποτελέσματα βέλτιστων πολιτικών, οι οποίες προκύπτουν από την εφαρμογή τεχνικών δυναμικού προγραμματισμού.

Abstract
A significant challenge in the field of industrial production is the efficient management and control of production lines in environments with dynamic demand. In this diploma thesis, a methodology based on Q-learning, which is a reinforcement learning algorithm, is developed for controlling production lines that serve the demand for both intermediate and final products. Given that customer arrivals follow a Poisson distribution and production times are exponentially distributed, the production system is modeled as a Markov Decision Process (MDP). The control agent is trained to approximate an optimal production control policy, which minimizes system operational costs, while considering factors, such as product availability and demand fulfillment. The rewards received by the system are determined by demand satisfaction, product inventory holding time, and the time a final product order remains pending. Through extensive simulations, the effectiveness of the proposed system is evaluated. Additionally, the average cost of each policy is calculated and compared with the optimal policy results of dynamic programming techniques.

Meeting ID: 92187241010
Password: 457753

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Δέσποινα Παρασκευοπούλου

με θέμα

Αλγόριθμοι Μάθησης Συστάσεων για την Εξισορρόπηση μεταξύ Κόστους Δικτύου και Πόλωσης Απόψεων σε Πλατφόρμες Περιεχομένου

Recommendation Learning Algorithms to Balance Network Cost and Opinion Polarization in Content Platforms

Εξεταστική Επιτροπή
Καθηγητής Θρασύβουλος Σπυρόπουλος (επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς

Περίληψη
Τα διαδικτυακά κοινωνικά δίκτυα έχουν πλέον καταστεί κεντρικοί χώροι συζήτησης θεμάτων που επηρεάζουν την κοινωνία. Σε αυτά τα περιβάλλοντα, η ποιότητα της πληροφορίας και ο τρόπος με τον οποίο αυτή διαδίδεται μέσα στο δίκτυο μπορούν να επηρεάσουν σημαντικά τη διαμόρφωση των απόψεων. Οι χρήστες στα δίκτυα τείνουν να αλληλοεπιδρούν με άτομα που έχουν παρόμοιες αντιλήψεις και να σχηματίζουν κοινότητες στις οποίες ανταλλάσσονται παρόμοιες απόψεις. Τα συστήματα συστάσεων διαδραματίζουν σημαντικό ρόλο σε αυτή τη διαδικασία, καθώς καθορίζουν μεγάλο μέρος του περιεχομένου στο οποίο εκτίθεται κάθε χρήστης. Συνήθως, τα συστήματα αυτά προωθούν περιεχόμενο που ευθυγραμμίζεται με τις προηγούμενες αλληλεπιδράσεις και πεποιθήσεις των χρηστών, με στόχο την αύξηση της αλληλεπίδρασης και τη μείωση του κόστους του δικτύου. Η παρούσα εργασία εστιάζει στον μετριασμό της πόλωσης των απόψεων σε δίκτυα, διατηρώντας παράλληλα συστάσεις φιλικές προς τη λειτουργία του δικτύου. Αρχικά, μοντελοποιούμε ένα κοινωνικό δίκτυο με χρήση γράφων, όπου οι απόψεις των χρηστών εξελίσσονται σύμφωνα με το μοντέλο Friedkin–Johnsen για την κοινωνική επιρροή. Επιβεβαιώσαμε ότι η πόλωση μπορεί να μεταβληθεί όταν αφήνουμε την κοινωνική επιρροή να εξελίσσεται με την πάροδο του χρόνου και, πάνω σε αυτή τη δυναμική, χρησιμοποιούμε τις συστάσεις περιεχομένου ως μηχανισμό μείωσης της πόλωσης. Το βασικό ερώτημα είναι σε ποιους χρήστες, μέσα στο δίκτυο, θα προταθεί περιεχόμενο, ώστε να επιτευχθεί αυτή η μείωση. Καθώς το περιβάλλον μεταβάλλεται με τον χρόνο, το πρόβλημα διατυπώνεται ως ένα μη στάσιμο πρόβλημα ακολουθιακής λήψης αποφάσεων. Μελετούμε bandit-style μεθόδους επιλογής χρηστών, όπως οι EXP3.S, restart LinUCB και GNN-based UCB, σε συνδυασμό με επιλογή περιεχομένου. Οι μέθοδοι αυτές συγκρίνονται με μία Greedy προσέγγιση, ώστε να αξιολογηθεί η ικανότητά τους να μειώνουν την πόλωση σε διαφορετικά καθεστώτα δικτύου και υπό περιορισμένη γνώση.

Abstract
Online social networks have become central spaces for the discussion of topics that affect a society. In these environments, the quality of information and the way it diffuses through the network can strongly affect opinion formation. Users in networks tend to interact with like-minded individuals and form communities where similar views are exchanged. Recommendation systems play an important role in this process, since they determine a large part of the content each user is exposed to. Most of the time, the systems promote content that aligns with users' previous interactions and beliefs in order to increase engagement and reduce the network cost. This work focuses on mitigating opinion polarization in networks while maintaining network-friendly recommendations. At first, we model a social network using graphs where user opinions evolve following the Friedkin-Johnsen model for social influence. We verified that polarization can change when letting the social influence evolve over time hence, on top of that, we use content recommendations as a depolarizing mechanism. The question here is which users should we target, with content, inside a network in order to get a depolarizing effect. Since the environment changes over time, the problem is formulated as a non-stationary sequential decision-making task. We study bandit-style user-selection methods, including EXP3.S, restart LinUCB, and GNN-based UCB, combined with a depolarizing content selection. These methods are compared against a Greedy baseline to evaluate their ability to reduce polarization across different network regimes under limited knowledge.
 

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Κωνσταντίνου Ιγγλεζάκη

με θέμα

Πειραματική Διερεύνηση Παραδιακλαδωμένων Πιεζοηλεκτρικών Κυκλωμάτων για τη Μείωση Ταλαντώσεων

Experimental Investigation of Branched Piezoelectric Circuits for the Reduction of Oscillations

Εξεταστική Επιτροπή
Καθηγητής Ευτύχιος Κουτρούλης (επιβλέπων)
Επίκουρος Καθηγητής Γεώργιος Πέππας
Καθηγητής Γεώργιος Σταυρουλάκης (Σχολή ΜΠΔ)

Περίληψη
Με την ραγδαία εμφάνιση νέων τεχνολογιών αλλά και την εξέλιξη πολλών επιστημονικών κλάδων αναζητούνται συνεχώς νέες μέθοδοι για την ελάττωση των δυναμικών αποκρίσεων σε μηχανολογικές εφαρμογές όπου πληρούν συγκεκριμένα κριτήρια όπως χαμηλό κόστος, υψηλή επίδοση και εύκολη εφαρμογή. Τα πιεζοηλεκτρικά στοιχεία το τελευταίο διάστημα έχουν γνωρίσει μεγάλη άνθιση καθώς συνιστούν μια καινοτόμα τεχνική επίλυσης με αρκετές προοπτικές. Σε αρκετούς τομείς μηχανολογίας κρίνεται αναγκαία η μείωση των ταλαντώσεων μιας και αυτές οι δυναμικές αποκρίσεις συντελούν στην πρόωρη εμφάνιση αστοχίας. Επίσης, τα πιεζοηλεκτρικά λόγω της διττής τους συμπεριφοράς μπορούν να χρησιμοποιηθούν σε εφαρμογές σε τομείς παραγωγής ηλεκτρικής ενέργειας. Συνεπώς τα πιεζοηλεκτρικά υλικά καλύπτουν ένα μεγάλο εύρος εφαρμογών.
Στην παρούσα διατριβή μελετάται η εφαρμογή πιεζοηλεκτρικών στοιχείων που αποσκοπούν στην απόσβεση ταλαντώσεων σε μία δοκό πρόβολο με τη χρήση παθητικών διατάξεων και προγραμματιζόμενου λογικού ελεγκτή ο οποίος καθορίζει τους κανόνες ενεργοποίησης των παθητικών κυκλωμάτων. Ανάλογα με την εφαρμογή και τις συνθήκες του συστήματος η διάταξη διαφοροποιείται. Γενικά τα πιο συνηθισμένα παθητικά κυκλώματα είναι το κύκλωμα αντίστασης και το κύκλωμα αντίστασης-πηνίου, αντίστοιχα. Η κατάλληλη ρύθμιση των κυκλωμάτων αυτών συντελεί σημαντικά στο να επιτευχθεί η μέγιστη δυνατή απόσβεση της ταλάντωσης η οποία όμως εξαρτάται και από τα πιεζοηλεκτρικά στοιχεία. Όπως παρουσιάζεται και στην παρούσα διπλωματική εργασία, με βάση και την βιβλιογραφία αλλά και με την πειραματική διερεύνηση που ακολούθησε, τα παθητικά κυκλώματα αντίστασης-πηνίου είναι πιο αποδοτικά συγκριτικά με τα κυκλώματα αντίστασης, αλλά παρουσιάζουν κάποια μειονεκτήματα σε συγκεκριμένα λειτουργικά χαρακτηριστικά.

Abstract 
With the rapid emergence of new technologies and the advancement of many scientific fields, there is a constant search for new methods to reduce dynamic responses in mechanical engineering applications that meet specific criteria such as low cost, high performance, and ease of implementation. Piezoelectric elements have recently experienced a significant development as they represent an innovative solution with considerable potential. In many fields of mechanical engineering, it is necessary to reduce vibrations, as these dynamic responses contribute to premature failure. Furthermore, due to their dual behavior, piezoelectric devices can be used in applications within the field of power generation. Consequently, piezoelectric devices cover a wide range of applications.
This thesis examines the application of piezoelectric elements designed to dampen vibrations in a cantilever beam using passive devices and a programmable logic controller that determines the activation rules for the passive circuits. Depending on the application and system conditions, the passive circuit varies. Generally, the most common passive circuits are the resistor circuit and the resistor-inductor circuit, respectively. Proper adjustment of these circuits contributes significantly to achieving the maximum possible damping of the oscillation, which, however, also depends on the piezoelectric elements. As presented in this diploma thesis, based on both the literature and the subsequent experimental investigation, passive resistor-inductor circuits are more efficient compared to the resistor circuits, but they exhibit certain disadvantages in specific operational characteristics. 

Meeting ID: 967 8767 2714
Password: 259569

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Μιχαήλ Ζαφειρόπουλου

με θέμα

Ανάλυση του Λόγου στα Μέσα Κοινωνικής Δικτύωσης σχετικά με τη Σύγκρουση Ισραήλ–Παλαιστίνης στο Telegram

 A Social Media Analysis of Discourse on the Israel-Palestine Conflict on Telegram

Εξεταστική Επιτροπή
Καθηγητής Σωτήριος Ιωαννίδης
Καθηγητής Μιχαήλ Ζερβάκης 
Καθηγητής Θρασύβουλος Σπυρόπουλος

Περίληψη
Τα μέσα κοινωνικής δικτύωσης έχουν αναδειχθεί σε κεντρικό πεδίο εντός του οποίου διαμφισβητούνται οι ένοπλες συγκρούσεις· ωστόσο, οι κοινότητες υπέρ του Ισραήλ και υπέρ της Παλαιστίνης στο Telegram —του οποίου η αρχιτεκτονική εκπομπής (broadcast) παράγει μια ασυνήθιστα άμεση καταγραφή σκόπιμης πολιτικής επικοινωνίας— δεν έχουν συγκριθεί συστηματικά σε μεγάλη κλίμακα. Η παρούσα διπλωματική εργασία παρουσιάζει μια πολυμεθοδική υπολογιστική ανάλυση 87.617 μηνυμάτων από δεκαέξι κανάλια του Telegram, οκτώ υπέρ του Ισραήλ και οκτώ υπέρ της Παλαιστίνης, τα οποία καλύπτουν την περίοδο από τον Μάιο του 2021 έως τον Ιούνιο του 2026 και πολλαπλές κλιμακώσεις της σύγκρουσης. Συνδυάζει ανάλυση συναισθήματος (sentiment analysis), τρεις μεθόδους ανίχνευσης στάσης (stance detection) προερχόμενες από διακριτά παραδείγματα προσέγγισης —αντιστοίχιση λέξεων-κλειδιών, zero-shot ταξινόμηση με το μοντέλο DeBERTa μέσω συμπερασμού φυσικής γλώσσας (natural language inference) και ένα προσαρμοσμένο (fine-tuned) μοντέλο BERTweet— καθώς και ανάλυση πλαισίωσης (framing analysis), όλες αξιολογημένες έναντι 736 χειροκίνητα επισημειωμένων μηνυμάτων. Το προσαρμοσμένο μοντέλο σημείωσε την υψηλότερη επίδοση (ακρίβεια/accuracy 72,1%, μακρο-F1 0,721 υπό 5-πτυχη (5-fold) διασταυρούμενη επικύρωση), ξεπερνώντας κατά 8 έως 11 μονάδες αμφότερες τις μεθόδους αναφοράς (baselines) που δεν απαιτούν ετικέτες· οι τελευταίες παρέμειναν καθηλωμένες στη ζώνη του χαμηλού έως μεσαίου 60%, γεγονός που υποδηλώνει την ύπαρξη ενός ανώτατου ορίου για την ανίχνευση στάσης όταν αυτή δεν είναι προσαρμοσμένη στη γλώσσα του εκάστοτε πεδίου. Το κεντρικό εύρημα αναδεικνύεται μόνο όταν το συναίσθημα, η στάση και η πλαισίωση εξετάζονται από κοινού: οι δύο κοινότητες αξιοποιούν το ίδιο λεξιλόγιο σχετικό με τον θάνατο και τα θύματα σε αντίθετα συναισθηματικά ύφη (registers) —τα κανάλια υπέρ του Ισραήλ κατά κύριο λόγο ουδέτερα και ειδησεογραφικού ύφους, ενώ τα κανάλια υπέρ της Παλαιστίνης εμφανώς πιο αρνητικά— κάτι που συνάδει με τη συγγραφή από τις διακριτές θέσεις λόγου του δρώντος και του θιγόμενου μέρους αντίστοιχα.

Abstract 
Social media has become a central arena in which armed conflicts are contested, yet the pro-Israel and pro-Palestine communities on Telegram, whose broadcast architecture yields an unusually direct record of deliberate political communication, have not been systematically compared at scale. This thesis presents a multi-method computational analysis of 87,617 messages from sixteen Telegram channels, eight pro-Israel and eight pro-Palestine, spanning May 2021 to June 2026 and covering multiple conflict escalations. It combines sentiment analysis, three stance detection methods drawn from distinct paradigms (keyword matching, zero-shot DeBERTa via natural language inference, and a fine-tuned BERTweet model), and a framing analysis, all evaluated against 736 manually annotated messages. The fine-tuned model performed best (72.1% accuracy, 0.721 macro F1 under 5-fold cross-validation), outperforming both label-free baselines by 8 to 11 points; the baselines stalled in the low-to-mid 60s, suggesting a ceiling for stance detection not adapted to in-domain language. The central finding emerges only when sentiment, stance, and framing are read together: the two communities deploy the same death- and victim-related vocabulary in opposite emotional registers, pro-Israel channels predominantly neutral and report-style, pro-Palestine channels markedly more negative, consistent with writing from the distinct discourse positions of acting party and affected party.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Εύας Πανταζή

με θέμα

Εκτίμηση Καρδιακού Παλμού με Χρήση Καμερών Βάθους ϰαι Τεχνικών Αναγνώρισης Προτύπων
Estimation of Heart Rate Using Depth Cameras and Pattern Recognition Methods

Εξεταστική Επιτροπή

Καθηγητής Μιχαήλ Ζερβάκης (Επιβλέπων)
Καθηγητής Θρασύβουλος Σπυρόπουλος
Επίκουρος Καθηγητής Μάριος Αντωνακάκης (ΕΛΜΕΠΑ, Τμήμα Ηλεκτρονικών Μηχανικών)

Περίληψη
Η εκτίμηση του καρδιακού παλμού είναι ϑεμελιώδης τόσο σε κλινιϰά περιβάλλοντα όσο και στην καϑημερινή ζωή. Ωστόσο τα υπάρχοντα μέσα για την εϰτίμηση του, που απαιτούν φυσική επαφή με τον ασθενή, επιβάλλουν σημαντιϰούς περιορισμούς ϰαι ϰινδύνους ιδιαίτερα όταν χρησιμοποιούνται από ασϑενείς με ευαίσϑητο δέρμα. Οι ϰάμερες βάϑους τεχνολογίας Time-of-Flight (ToF) αποτελούν μια πολλά υποσχόμενη εναλλαϰτιϰή μέσω της ανέπαφης ανίχνευσης των βαλλιστοϰαρδιογραφιϰών (BCG) ϰινήσεων του ϑώραϰα οι οποίες είναι της τάξεως του υπο-χιλιοστού. Οι συγϰεϰριμένες ϰάμερες είναι ανεξάρτητες από τον περιβάλλοντα φωτισμό ϰαι διαφυλάσσουν ταυτόχρονα την ιδιωτιϰότητα του ϰάϑε ασϑενή, ϰαϑώς βασίζονται σε γεωμετριϰές ϰαι όχι φωτομετριϰές μεταβολές. Η παρούσα διπλωματική εργασία προτείνει μια ολοϰληρωμένη μεϑοδολογία επεξεργασίας σήματος που επιτρέπει την ανάϰτηση του ϰαρδιαϰού παλμού από αϰατέργαστη ροή δεδομένων βάϑους προερχόμενα από μία ϰάμερα ToF ευρείας ϰατανάλωσης (Orbbec Femto Bolt) χωρίς την απαίτηση για εξατομιϰευμένη ρύϑμιση. Ο συνδυασμός της δυναμιϰής παραϰολούϑησης ενός ασύμμετρου πλέγματος 7 × 4 από σήματα βάϑους από την περιοχή του ϑώραϰα, μαζί με Ανϑεϰτιϰή Ανάλυση Κύριων Συνιστωσών (Robust PCA) σε ϰυλιόμενα παράϑυρα, διαϰρίνει το χωριϰά συνεϰτιϰό ϰαρδιαϰό σήμα από την έντονη αναπνευστιϰή ϰίνηση ϰαι από ϑορύβους του αισϑητήρα. ΄Ενας νέος αλγόριϑμος βαϑμολόγησης (harmonic-stack scoring) αναγνωρίζει την ϑεμελιώδη ϰαρδιαϰή συχνότητα από τα υποψήφια χρονιϰά σήματα, ενώ η προσαρμοστιϰή εξομάλυνση μέσω comb filter παράγει μία εϰτίμηση ϰαρδιαϰού παλμού ανά ϰαταγραφή. Η μεϑοδολογία αξιολογείται σε ένα σύνολο δεδομένων 76 ϰαταγραφών από 13 άτομα, με διαϰύμανση σε τρεις αποστάσεις (800, 1200, 1800 mm) ϰαι δύο συνϑήϰες ρουχισμού (μπλουζάϰι, φούτερ), με ένα συγχρονισμένο μονοπολικό ηλεϰτροϰαρδιογράφημα (ECG) ιατριϰού βαϑμού να λειτουργεί ως σημείο αναφοράς. Στη βασιϰή συνϑήϰη (1200 mm, μπλουζάϰι), η μεϑοδολογία επιτυγχάνει μέσο απόλυτο σφάλμα MAE 3.45 BPM, με το 84.6% των ϰαταγραφών εντός 5 BPM από την αναφορά ϰαι συντελεστή συσχέτισης Pearson 𝑟 = 0.84. Η απόσταση ατόμου-κάμερας αποτελεί τον κύριο παράγοντα διακύμανσης του σφάλματος μεταξύ συνθηκών, με ποινή απόστασης περίπου 1.5 BPM μεταξύ της βέλτιστης απόστασης 1200 mm και των ακραίων τιμών, ενώ η επίδραση της ενδυμασίας είναι συγκριτικά μικρή (0.56 BPM). Μια ελεγχόμενη σύγκριση μεϑόδων διαχωρισμού πηγών επιβεβαιώνει ότι η Robust PCA υπερτερεί έναντι της κλασικής PCA ϰαι της Ανάλυσης Ανεξάρτητων Συνιστωσών (ICA) κατά 29–41% στη βασική συνϑήκη. Τα αποτελέσματα αυτά επιβεβαιώνουν τη δυνατότητα εφαρμογής της βαλλιστοϰαρδιογραφίας μέσω ϰάμερας βάϑους ως πρακτικής μεθόδου παρακολούϑησης καρδιακού παλμού χωρίς επαφή.

Abstract 
Heart rate monitoring is fundamental in clinical as well as in ambulatory contexts, however existing contact based solutions place considerable behavioral burden upon the patient which can pose significant risks when used by those with sensitive skin. Time-of-Flight (ToF) depth cameras offer a compelling opportunity to realize this sensing modality through non-contact detection of the sub-millimeter BCG movements of the chest wall. These cameras operate independently of ambient light and inherently maintain patient privacy through their exclusive reliance on geometrical, rather than photometric, changes. This thesis presents an end-to-end signal processing pipeline enabling estimation of heart-rate from the raw depth stream provided by a single consumer ToF camera (Orbbec Femto Bolt) without requiring subject specific calibration. A combination of dynamic tracking of an asymmetric grid of depth signals originating from the area of interest (chest-region) with sliding-window Robust PCA separates out the spatially-coherent heart-signal against sparse sensor-artifacts and intense respiratory motion. Temporal analysis of such isolated time-courses is then facilitated through a novel harmonic-stack spectral-scoring method while refinement is afforded through application of adaptive-comb-filtering leading to one estimate of the HR per recording. This methology was evaluated in a custom dataset composed of 76 recordings taken by 13 subjects. An experimental variable was considered to assess how variation in distance between subject and camera (800, 1200, and 1800mm), and clothing conditions (T-Shirt/Hoodie) impacted the system’s behavior.
Estimates derived by our pipeline were contrasted against a synchronized medical-grade single-lead ECG ground-truth. With reference to the base-case scenario (1200mm/T-shirt) our pipeline achieves an average absolute error (MAE) of 3.45BPM with 84.6% of all recorded
instances having <5 BPM deviation from the ground-truth. The results of the analysis of the collected data based on various conditions show that the error is mainly caused by the distance between the camera and the person. On the other hand, the impact of clothing thickness on
the results is relatively low. A controlled comparison of source-separation methods establishes that Robust PCA outperforms classical PCA and Independent Component Analysis by 29–41% in the baseline configuration. These results confirm the viability of BCG measurement based on depth.

Meeting ID: 954 649 5567
Password: 956799

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Νικολάου Παπουτσάκη

με θέμα

Ενίσχυση της Ασφάλειας του Περιηγητή: Επέκταση με Επιτάχυνση WebGPU για Ανίχνευση Κακόβουλων Διακομιστών σε Πραγματικό Χρόνο

Enhancing Browser Security: A real-time WebGPU-accelerated Extension for Malicious Server Detection

Εξεταστική Επιτροπή
Καθηγητής Ιωαννίδης Σωτήριος (επιβλέπων)
Επίκουρος Καθηγητής Νικόλαος Γιατράκος
Μεταδιδακτορική Ερευνήτρια Ευαγγελία Παπαδογιαννάκη (Σχολή ΗΜΜΥ)

Περίληψη
Στη σύγχρονη εποχή, το web έχει επεκταθεί τόσο ως προς τις εφαρμογές του, όσο και ως προς τη χρήση του. Ως εκ τούτου, οδηγηθήκαμε σε περισσότερα ζητήματα που αφορούν την ασφάλεια. Παρά την υιοθέτηση του πρωτοκόλλου HTTPS, που θεωρείται ακρογωνιαίος λίθος στην ασφάλεια του διαδικτύου, δεν είναι προφανές στο χρήστη για το αν ένας διακομιστής είναι επιβλαβείς για αυτόν. Συνεπώς, δημιουργήθηκε η ανάγκη για την διασφάλιση της προστασίας του χρήστη. Για το λόγο αυτό, η παρούσα εργασία παρουσιάζει ένα σύστημα ανίχνευσης κακόβουλων διακομιστών σε πραγματικό χρόνο, με την χρήση τεχνικών όπως το active TLS server fingerprinting, για την κατηγοριοποίηση δυνητικά επιβλαβών υποδομών στον ιστό. Το σύστημά μας βασίζεται σε ένα pattern matching αλγόριθμο που συγκρίνει τα παρατηρούμενα fingerprints με ένα σύνολο ήδη γνωστών κακόβουλων αποτυπωμάτων, αξιοποιώντας παράλληλα hardware acceleration για βελτιωμένη απόδοση. Τελικά, προτείνουμε μία client-side και serverless αρχιτεκτονική ενσωματωμένη σε ένα Chrome extension που θα μπορούσε προστατέψει το χρήστη, διατηρώντας την ιδιωτικότητά του, με απώτερο στόχο την ενίσχυση της ασφάλειας της καθημερινής περιήγησης από απειλές.

Abstract 
In the contemporary landscape, the web has rapidly expanded both in terms of applications and usage. Consequently, these circumstances have lead to the proliferation of security concerns. Although the adoption of HTTPS is widely regarded as one of the cornerstones of web security, it is not readily apparent to the user whether a server is malicious, even when a valid TLS certificate is present. Therefore, it is essential to ensure that users can be transparently protected. To this end, this work presents a system for real-time detection of malicious servers within the browser by adopting JARM, an active TLS server fingerprinting technique for classifying and characterizing potentially harmful web infrastructures. Our system is based in a pattern matching algorithm to compare observed fingerprints against a curated set of known malicious signatures, executing locally while leveraging hardware acceleration for enhanced performance. Ultimately, we propose a purely client-side and serverless approach, integrated seamlessly into a Chrome extension that provides protection while preserving users’ privacy. Our aim is to enhance the security of everyday web browsing and protect users from online threats.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Νικολέτας Κοπάση

με θέμα

Μέθοδοι Βαθιάς Μάθησης για τη Δημιουργία Τρισδιάστατων Χαρακτήρων με Δυνατότητα Κίνησης

Deep Learning Methods for Authoring Animation-ready 3D Characters

Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Ευάγγελος Καλογεράκης (επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης
Καθηγήτρια Aικατερίνη Μανιά

Περίληψη
Η αυτόματη δημιουργία τρισδιάστατων χαρακτήρων κατάλληλων για animation παραμένει ένα απαιτητικό πρόβλημα, καθώς απαιτεί την εκτίμηση του σκελετού (ιεραρχιών αρθρώσεων) και των skinning weights (βαρών επιρροής). Πρόσφατες μέθοδοι βασισμένες σε deep learning έχουν βελτιώσει την αυτοματοποίηση αυτής της διαδικασίας, προβλέποντας animation-ready χαρακτήρες απευθείας από τη τρισδιάστατη γεωμετρία. Ωστόσο, καθοδηγούνται κυρίως από γεωμετρικά χαρακτηριστικά και δεν αξιοποιούν ρητά σημασιολογική πληροφορία σχετικά με τα μέρη του σώματος.
Η παρούσα διπλωματική εργασία εξετάζει αν η σημασιολογική πληροφορία μερών του σώματος μπορεί να χρησιμοποιηθεί ως ένα επιπλέον σήμα καθοδήγησης (conditioning signal) για την πρόβλεψη των  blend weights. Για τον σκοπό αυτό δημιουργήθηκε ένα σημασιολογικά επαυξημένο σύνολο δεδομένων, στο οποίο κάθε σημείο του μοντέλου συνοδεύεται από πληροφορία σχετικά με το μέρος του σώματος στο οποίο ανήκει. 
Η προτεινόμενη μέθοδος ενσωματώνει τη σημασιολογική πληροφορία των μερών του σώματος στη διαδικασία πρόβλεψης των blend weights, εμπλουτίζοντας τη γεωμετρική αναπαράσταση. Η μέθοδος αξιολογείται μέσω ενός ablation study που συγκρίνει το fine-tuned geometry-only model με το προτεινόμενο semantic-conditioned model.  Η αξιολόγηση γίνεται με τη χρήση σφάλματος του blend-weight και σφάλματος του deformation. Χρησιμοποιούνται επίσης οπτικοποιήσεις για την εξέταση των προβλεπόμενων κατανομών των blend weights. 
Τα αποτελέσματα δείχνουν ότι το fine-tuning βελτιώνει την ποιότητα παραμόρφωσης και ότι η χρήση της σημασιολογικής πληροφορίας υπερέχει. Συνεπώς, το νέο semantic μοντέλο επηρεάζει θετικά τις προβλέψεις των κατανομών των βαρών.

Abstract 
Automatic generation of animation-ready 3D characters remains a challenging problem, as it requires the estimation of both the underlying skeleton (joint hierarchy) and the corresponding skinning weights. Recent deep learning approaches have significantly advanced the automation of this process by predicting animation-ready assets directly from 3D geometry. However, these methods are primarily driven by geometric features and do not explicitly exploit high-level semantic information describing the different body parts.
This thesis investigates whether body-part semantic information can be used as an additional conditioning signal for blend-weight prediction. To this end, a semantically augmented dataset was constructed, in which every point of each 3D model is associated with semantic information indicating the body part to which it belongs.
The proposed method incorporates body-part semantics into the blend-weight prediction process by enriching the original geometric representation with semantic information. The effectiveness of the proposed approach is evaluated through an ablation study comparing a fine-tuned geometry-only model with the proposed semantic-conditioned model. Performance is assessed using both blend-weight prediction error and deformation error. In addition, qualitative visualizations are employed to examine the predicted blend-weight distributions.
The experimental results show that fine-tuning improves deformation quality, while the incorporation of semantic information provides further improvements. Overall, the proposed semantic-conditioned model produces more accurate blend-weight distributions and leads to improved deformation quality compared with the geometry-only baseline.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Σοφίας Καρκαζή

με θέμα

Πειραματική Μελέτη και Μοντελοποίηση Μεταβατικής Συμπεριφοράς Μετασχηματιστών Ισχύος Υψηλής Τάσης

Experimental Study and Modeling of Transient Behavior of High Voltage Power Transformers
        
Εξεταστική Επιτροπή
Επίκουρος Καθηγητής Γεώργιος Πέππας (επιβλέπων)
Καθηγητής Κωσταντίνος Γυφτάκης
Αναπληρωτής Καθηγητής Θωμάς Τσοβίλης (ΑΠΘ, Τμήμα ΗΜΜΥ)

Περίληψη
Η παρούσα διπλωματική εργασία διερευνά τη μεταβατική συμπεριφορά υψηλών συχνοτήτων των μετασχηματιστών ισχύος υπό κεραυνική κρουστική τάση, καθώς και τον βαθμό στον οποίο αυτή δύναται να αναπαραχθεί από μοντέλα ισοδύναμου κυκλώματος διαφορετικής πολυπλοκότητας. Στα απότομα μέτωπα κύματος του κεραυνού, η μαγνητική ροή αποκλείεται από τον σιδηροπυρήνα λόγω του επιδερμικού φαινομένου, και η απόκριση διέπεται από τις χωρητικότητες των τυλιγμάτων και τον συντονισμό τους με την αυτεπαγωγή, η ακριβής αναπαράσταση της συμπεριφοράς αυτής είναι ουσιώδης για την αποτίμηση των μεταφερόμενων υπερτάσεων και τον σχεδιασμό μόνωσης και προστασίας.
Η μελέτη διεξήχθη σε μετασχηματιστή ισχύος τύπου πυρήνα, με μεταγωγέα λήψεων, 150 kV/11,5 kV, συνδεσμολογίας αστέρα-τριγώνου, 36/52 MVA. Ο μετασχηματιστής, απομονωμένος από το δίκτυο, διεγέρθηκε από γεννήτρια συνδυασμένου κύματος σε τριάντα διατάξεις δοκιμής και σε διάφορες στάθμες φόρτισης, και οι μετρηθείσες κυματομορφές, κατόπιν απεικόνισης στη MATLAB, χρησιμοποιήθηκαν για την αξιολόγηση τεσσάρων μοντέλων: του γραμμικού BCTRAN, του θεμελιωμένου στον δυϊσμό Υβριδικού (XFMR), αμφοτέρων στο ATP-EMTP, και του απλού μοντέλου συγκεντρωμένων παραμέτρων του Piantini με την επέκτασή του από την Nehmdoh A. Sabiha, με παραμέτρους εξαχθείσες από την απόκριση συχνότητας.
Τα αποτελέσματα των προσομοιώσεων τεκμηριώνουν ότι η πιστότητα υπό κεραυνική κρουστική τάση καθορίζεται όχι από την πολυπλοκότητα της αρχιτεκτονικής του μοντέλου, αλλά από την επάρκεια της χωρητικής του αναπαράστασης. 

Abstract 
This thesis investigates the high-frequency transient behavior of power transformers under lightning impulse, and the extent to which it can be reproduced by equivalent-circuit models of differing complexity. At the steep wavefronts of lightning, the magnetic flux is excluded from the iron core by the skin effect, and the response is governed by the winding capacitances and their resonance with the winding inductance. An accurate representation of this behavior is essential for evaluating transferred overvoltages and for insulation and protection design.
The study was carried out on a core-type, tap-changing power transformer, 150 kV/11.5 kV, star-delta connection, 36/52 MVA. The transformer, isolated from the grid, was excited by a combination waveform generator across thirty test configurations and several charge levels, and the measured waveforms, imported in MATLAB, were used to evaluate four models: the linear BCTRAN and the duality-based Hybrid (XFMR), both in ATP-EMTP, and the minimal lumped-parameter model of Piantini with its extension by Sabiha, with parameters extracted from the measured frequency response.
The simulation results establish that the fidelity attainable under lightning impulse is governed not by the sophistication of the model architecture but by the adequacy of its capacitive representation.

Meeting ID: 335 373 075 577 0
Passcode: kr9V9mv6

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

ΚΩΝΣΤΑΝΤΙΝΟΥ ΑΘΑΝΑΣΟΥΛΗ

με θέμα

Τμηματοποίηση Περιοχών Κλινικού Ενδιαφέροντος της Κοιλιακής Αορτής με χρήση Θεμελιωδών Μοντέλων (Medical-SAM2)

Segmentation of Clinically Relevant Regions of the Abdominal Aorta Using Foundation Models (Medical-SAM 2)

Εξεταστική Επιτροπή

Καθ. Μιχαήλ Ζερβάκης (Επιβλέπων)
Καθ. Αθανάσιος Λιάβας
Επίκ. Καθ. Μάριος Αντωνακάκης (ΕΛΜΕΠΑ)

Περίληψη
    
Το Ανεύρυσμα Κοιλιακής Αορτής (ΑΚΑ) θεωρείται ως μία από τις πιο επικίνδυνες παθήσεις του κοιλιακού τμήματος της αορτής, η οποία επηρεάζει κυρίως άνδρες ηλικίας άνω των 65 ετών. Λαμβάνοντας υπόψη ότι η αορτή είναι η μεγαλύτερη αρτηρία του ανθρώπινου σώματος, η συγκεκριμένη πάθηση μπορεί να οδηγήσει σε σημαντικές, ή ακόμη και καταστροφικές, κλινικές επιπτώσεις εάν δεν διαγνωστεί και αντιμετωπιστεί έγκαιρα. Ωστόσο, η τρισδιάστατη μοντελοποίηση του αυλού της αορτής μπορεί να προσφέρει σημαντικά στοιχεία για τα μορφολογικά χαρακτηριστικά του ανευρύσματος, τα οποία είναι ζωτικής σημασίας για την διάγνωση και την πιθανή πρόοδό του. Η τμηματοποίηση εικόνας είναι επομένως απαραίτητη για τη μοντελοποίηση του AAA, επιτρέποντας την αξιόπιστη εξαγωγή και ανάλυση των σχετικών περιοχών. Η παρούσα διπλωματική εργασία συγκαταλέγεται στον τομέα της Κατάτμησης Εικόνας και διερευνά τη χρήση μοντέλων Βαθιάς Μάθησης για την τμηματοποίηση του αυλού της αορτής σε ένα σύνολο δεδομένων από ιατρικές εικόνες ΑΚΑ. Επίσης, συμπεριλαμβάνεται και ένα ακόμη διερευνητικό πείραμα για την τμηματοποίηση του ενδοαυλικού θρόμβου, του οποίου τα δεδομένα είναι αρκετά περιορισμένα. Η εργασία αξιοποιεί το μοντέλο Medical SAM 2 (MedSAM-2), ένα θεμελιώδες μοντέλο το οποίο προσαρμόζεται στο συγκεκριμένο ιατρικό πρόβλημα μέσω fine-tuning. Η εκπαίδευση του μοντέλου βασίζεται σε επιβλεπόμενη μάθηση, χρησιμοποιώντας ζεύγη εικόνων αξονικής τομογραφίας (CT) με τις αντίστοιχες Ground Truth (GT) μάσκες. Κατά την πειραματική διαδικασία τα δεδομένα επεξεργάζονται και έπειτα γίνεται ποσοτική, καθώς και ποιοτική αξιολόγηση των τελικών προβλέψεων. Η απόδοση του μοντέλου αξιολογείται ποσοτικά, με βασικότερη αναφορά στις μετρικές αξιολόγησης Dice Similarity Coefficient (DSC) και Intersection over Union (IoU), ενώ η ποιοτική αξιολόγηση της απόδοσης προκύπτει από οπτική σύγκριση των τελικών προβλέψεων του μοντέλου με τις αντίστοιχες GT μάσκες. Κατά την ποσοτική αξιολόγηση του τελικού πειράματος του αυλού, το μοντέλο MedSAM-2, αξιολογημένο στο small checkpoint, κατέδειξε μέση τιμή DSC 91.1%, καθώς και μέση τιμή IoU 84.3%. Παρότι οι συγκεκριμένες μετρικές είναι ικανοποιητικές, το μοντέλο έχει δυνατότητες να επιτύχει καλύτερα αποτελέσματα, εάν εκπαιδευτεί με περισσότερα ιατρικά δεδομένα, καθώς και λιγότερους περιορισμούς υπολογιστικής ισχύος και χρόνου. Αξίζει να σημειωθεί πως η ποιοτική αξιολόγηση των αποτελεσμάτων θεωρείται εξίσου σημαντική με την ποσοτική αξιολόγηση, καθώς η συγκεκριμένη εργασία ανήκει στον τομέα των προβλημάτων Μηχανικής Όρασης. Μέσω των ποιοτικών αποτελεσμάτων επιβεβαιώνεται ότι το βελτιστοποιημένο μοντέλο προσφέρει μια οργανωμένη πειραματική βάση και μπορεί να λειτουργήσει ως σημείο αναφοράς για μελλοντικές εργασίες, συμβάλλοντας έτσι στην περαιτέρω διερεύνηση του συγκεκριμένου προβλήματος.

Abstract 
    
Abdominal Aortic Aneurysm (AAA) is considered one of the most dangerous diseases of the abdominal part of the aorta, affecting mainly men over the age of 65. Considering that the aorta is the largest artery of the human body, this condition can lead to significant, or even catastrophic, clinical consequences if it is not diagnosed and treated in time. In this context, the three-dimensional modeling of the aortic lumen can provide important information about the morphological characteristics of the aneurysm, which are vital for its diagnosis and possible progression. Image segmentation is therefore essential for AAA modeling, enabling reliable extraction and analysis of relevant regions. The present thesis belongs to the field of Image Segmentation and investigates the use of Deep Learning models for the segmentation of the aortic lumen in a dataset of AAA medical images. In addition, another exploratory experiment is included for the segmentation of the intraluminal thrombus, for which the available data are quite limited. The work utilizes the Medical SAM 2 (MedSAM-2) model, a foundation model that is adapted to this specific medical problem through fine-tuning. The training of the model is based on supervised learning, using pairs of Computed Tomography (CT) images with the corresponding Ground Truth (GT) masks. During the experimental process, the data are processed and then quantitative, as well as qualitative, evaluation of the final predictions is performed. The performance of the model is evaluated quantitatively, with main reference to the evaluation metrics Dice Similarity Coefficient (DSC) and Intersection over Union (IoU), while the qualitative evaluation of the performance is derived from visual comparison of the final predictions of the model with the corresponding GT masks. During the quantitative evaluation of the final lumen experiment, the MedSAM-2 model, evaluated on the small checkpoint, demonstrated a mean DSC value of 91.1%, as well as a mean IoU value of 84.3%. Although these metrics are satisfactory, the model has the potential to achieve better results if it is trained with more medical data, as well as fewer limitations in computational power and time. It is worth noting that the qualitative evaluation of the results is considered equally important to the quantitative evaluation, since this work belongs to the field of Computer Vision problems. Through the qualitative results, it is confirmed that the optimized model provides an organized experimental basis and can serve as a reference point for future studies, thus contributing to the further investigation of this specific problem.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Αρτεμίου Τριανταφύλλου

με θέμα

Μελέτη Αλγορίθμων GPU στο Σύστημα DuckDB στη Γλώσσα Futhark 
Study of GPU Algorithms on DuckDB Using the Futhark Programming Language

Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς (επιβλέπων)
Επίκουρος Καθηγητής Νικόλαος Γιατράκος
Καθηγητής Σωτήριος Ιωαννίδης

Περίληψη 
Η γλώσσα Futhark είναι μία συναρτησιακή γλώσσα προγραμματισμού πινάκων, σχεδιασμένη για παραλληλισμό GPU, και για την οποία διεξάγεται έρευνα ως προς την υλοποίηση μη-τετριμμένων αλγορίθμων. Αυτή η εργασία εξετάζει τη σχεδίαση και επίδοση αλγορίθμων επεξεργασίας δεδομένων, όπως της Σχεσιακής Συνένωσης (Relational Join) και του DBSCAN, προσαρμόζοντας έννοιες από παραδοσιακές υλοποιήσεις χρησιμοποιώντας τις βασικές ρουτίνες της Futhark. Επιπλέον, διερευνάει την ένωση Futhark-παραγόμενου κώδικα σε συνδυασμό με τη φόρτωση δεδομένων από μία αναλυτική βάση δεδομένων, συγκεκριμένα την DuckDB.
Τα αποτελέσματα δείχνουν ότι μπορούν να υλοποιηθούν μέσω της Futhark ευέλικτες θεμελιώδεις ρουτίνες, οι οποίες εκμεταλλεύονται τον παραλληλισμό GPU. Ακόμα, εντοπίζονται ορισμένοι περιορισμοί ως προς την επίδοση, κυρίως λόγω έλλειψης ελέγχου παραμέτρων στο επίπεδο υλικού.

Abstract
The Futhark Programming Language (Futhark) is a functional array-programming language designed for GPU-parallelism, with ongoing research with regards to the implementation of non-trivial algorithms. This thesis examines the design and performance of certain data-processing algorithms, namely relational Joins and DBSCAN, adapting concepts from traditional implementations using the primitives provided by Futhark. Furthermore, it investigates the integration of Futhark-generated code in conjunction with data loaded from an analytical database, namely DuckDB.
The results show that Futhark can be used to implement versatile primitive routines exploiting GPU parallelism. Also, certain limitations with regards to performance, caused mainly by a lack of leveraging hardware-level parameters, are identified.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ιωάννη Σκουρολιάκου

με θέμα

Εντοπισμός Ηλιόφωτων Φύλλων Εσπεριδοειδών με Αξιοποίηση Συνελικτικών Νευρωνικών Δικτύων

Identifying Sunlit Citrus Leaves Using Convolutional Neural Networks

Εξεταστική Επιτροπή

Καθηγητής Γεώργιος Χαλκιαδάκης (επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης
Αναπληρωτής Καθηγητής Αθανάσιος (Άρης) Παναγόπουλος Πανεπιστήμιο Πολιτείας της Καλιφόρνιας, Τμήμα Επιστήμης Υπολογιστών, Φρέσνο

Περίληψη

Η παρούσα διπλωματική εργασία διερευνά την αυτόματη αναγνώριση ηλιόλουστων φύλλων σε δενδροκαλλιέργειες εσπεριδοειδών μέσω τεχνικών βαθιάς μάθησης για σημασιολογική τμηματοποίηση εικόνας (semantic segmentation). Η ακριβής ανίχνευση των ηλιόλουστων
φύλλων αποτελεί κρίσιμο βήμα για την εκτίμηση του Δείκτη Υδατικού Στρες Καλλιέργειας (Crop Water Stress Index - CWSI), ο οποίος χρησιμοποιείται ευρέως σε συστήματα γεωργίας ακριβείας και διαχείρισης άρδευσης. Για τον σκοπό αυτό, δημιουργήθηκε ένα
νέο σύνολο δεδομένων αποτελούμενο από 633 χειροκίνητα επισημασμένες εικόνες πορτοκαλιών, οι οποίες καλύπτουν διαφορετικές συνθήκες φωτισμού, πυκνότητες κόμης και γωνίες λήψης. Αξιολογήθηκαν πέντε σύγχρονες αρχιτεκτονικές σημασιολογικής τμηματοποίησης, συμπεριλαμβανομένων τριών Συνελικτικών Νευρωνικών Δικτύων (FCN, FRRN-A & FC-DenseNet103) και δύο μοντέλων βασισμένων σε Vision Transformers (SegFormer & Mask2Former).
Τα μοντέλα εκπαιδεύτηκαν και αξιολογήθηκαν χρησιμοποιώντας καθιερωμένες μετρικές σημασιολογικής τμηματοποίησης, όπως η Ακρίβεια Ταξινόμησης (Accuracy), η Θετική Προγνωστική Αξία (Precision), η Ανάκληση (Recall), ο δείκτης F1 και ο δείκτης Επικάλυψης Περιοχών (Intersection over Union - IoU). Τα πειραματικά αποτελέσματα έδειξαν ότι τα μοντέλα Vision Transformer πέτυχαν τη συνολικά καλύτερη απόδοση, με το Mask2Former να παρουσιάζει την υψηλότερη Accuracy (91,19%), F1 Score (85,79%) & IoU (76,16%).
Ωστόσο, το FRRN-A κατέγραψε την υψηλότερη τιμή Precision (86,35%) μεταξύ όλων των εξεταζόμενων μοντέλων. Δεδομένου ότι ο τελικός στόχος της εφαρμογής είναι η αξιόπιστη εκτίμηση του CWSI, η μετρική Precision θεωρείται ιδιαίτερα σημαντική, καθώς οι ψευδώς θετικές προβλέψεις μπορούν να ταξινομήσουν λανθασμένα σκιασμένα φύλλα ως ηλιόλουστα, επηρεάζοντας αρνητικά τους υπολογισμούς της θερμοκρασίας της κόμης και, κατ’ επέκταση, τις αποφάσεις άρδευσης.
Τα αποτελέσματα καταδεικνύουν ότι τόσο οι αρχιτεκτονικές CNN όσο και οι αρχιτεκτονικές Vision Transformer είναι ιδιαίτερα αποτελεσματικές για την τμηματοποίηση ηλιόλουστων φύλλων σε καλλιέργειες εσπεριδοειδών. Παράλληλα, αναδεικνύεται η σημασία της επιλογής κατάλληλων μετρικών αξιολόγησης σύμφωνα με τις απαιτήσεις της εκάστοτε γεωργικής εφαρμογής. Το προτεινόμενο σύνολο δεδομένων και τα ευρήματα της μελέτης συμβάλλουν στην ανάπτυξη αυτοματοποιημένων συστημάτων παρακολούθησης καλλιεργειών και υποστηρίζουν τη μελλοντική έρευνα στον τομέα της γεωργίας ακριβείας και της βιώσιμης διαχείρισης υδατικών πόρων.

Abstract 

This thesis investigates the automatic identification of sunlit leaves in citrus tree canopies using deep learning techniques for semantic segmentation. Accurate detection of sunlit foliage is a critical step in estimating the Crop Water Stress Index (CWSI), a key indicator used in precision irrigation systems. To support this objective, a new dataset consisting of 633 manually annotated images of orange trees was developed under diverse illumination conditions, canopy densities, and viewing perspectives. Five state-of-theart semantic segmentation architectures were evaluated, including three Convolutional Neural Networks (FCN, FRRN-A, and FC-DenseNet103) and two Vision Transformerbased models (SegFormer and Mask2Former).
The models were trained and tested using standard semantic segmentation metrics, namely Accuracy, Precision, Recall, F1 Score, and Intersection over Union (IoU). Experimental results show that the Vision Transformer models achieved the highest overall segmentation performance, with Mask2Former obtaining the best Accuracy (91.19%), F1 Score (85.79%), and IoU (76.16%). However, FRRN-A achieved the highest Precision (86.35%) among all evaluated models. Since the intended application is CWSI estimation, precision is considered particularly important because false positive predictions may incorrectly classify shaded leaves as sunlit, potentially leading to inaccurate
canopy temperature measurements and irrigation decisions.
The results demonstrate that both CNN-based and Transformer-based architectures are highly effective for sunlit-leaf segmentation in citrus crops, while highlighting the importance of selecting evaluation metrics according to the requirements of the agricultural application. The developed dataset and experimental findings contribute to the advancement of automated crop monitoring systems and support future research in precision agriculture and water resource management.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Χρύσας Παναγιωτοπούλου

με θέμα

Πρόβλεψη Συχνότητας Κρουσμάτων Covid-19 με Μεθοδολογίες Ανάλυσης Χρονοσειρών 
Forecasting the Frequency of Covid-19 Cases with Time Series Analysis 

Εξεταστική Επιτροπή
Καθηγητής Διονύσιος Χριστόπουλος (επιβλέπων)
Καθηγητής Μιχαήλ Ζερβάκης 
Καθηγητής Μιχαήλ Λαγουδάκης 

Περίληψη
Η παρούσα διπλωματική εργασία εξετάζει την πρόβλεψη της συχνότητας κρουσμάτων COVID-19 με χρήση μεθόδων ανάλυσης χρονοσειρών. Η μελέτη επικεντρώνεται σε τέσσερις ευρωπαϊκές χώρες, την Ελλάδα, την Ιταλία, την Κύπρο και τη Γερμανία, με στόχο τη σύγκριση διαφορετικών προσεγγίσεων στατιστικής, μηχανικής και βαθιάς μάθησης. Τα δεδομένα προέρχονται από τη βάση Our World in Data και αφορούν κυρίως τα νέα επιβεβαιωμένα κρούσματα ανά εκατομμύριο κατοίκων, καθώς και τον κυλιόμενο μέσο όρο 7 ημερών, ώστε να μειωθεί ο ημερήσιος θόρυβος και να αποτυπωθεί πιο καθαρά η πορεία της πανδημίας.
Στο πλαίσιο της εργασίας εφαρμόστηκαν και αξιολογήθηκαν το μοντέλο χρονοσειρών ARIMA Walk-forward, τα μοντέλα δέντρων αποφάσεων XGBoost και LightGBM, το μοντέλο νευρωνικών δικτύων LSTM και ένα υβριδικό μοντέλο ARIMA-LSTM με μηχανισμό προσοχής (Attention). Η αξιολόγηση πραγματοποιήθηκε με χρονικά διατεταγμένους διαχωρισμούς συνόλων εκπαίδευσης και ελέγχου, ώστε να διατηρηθεί η φυσική σειρά των χρονοσειρών και να αποφευχθεί η χρήση μελλοντικής πληροφορίας κατά την εκπαίδευση. Η απόδοση των μοντέλων συγκρίθηκε με βάση τα εξής στατιστικά μέτρα: ρίζα του μέσου τετραγωνικού σφάλματος (RMSE), μέσο απόλυτο σφάλμα (MAE) και συντελεστής προσδιορισμού (R2).
Η ανάλυση των αποτελεσμάτων έδειξε ότι το ARIMA Walk-forward παρουσιάζει πιο σταθερές και ακριβείς προβλέψεις στις περισσότερες περιπτώσεις, υπερέχοντας συνολικά έναντι των πιο σύνθετων μοντέλων μηχανικής και βαθιάς μάθησης. Το LSTM αποτέλεσε τη δεύτερη πιο ανταγωνιστική προσέγγιση, ενώ τα XGBoost και LightGBM εμφάνισαν μέτρια αλλά συγκρίσιμη απόδοση. Το υβριδικό μοντέλο, παρά τη μεγαλύτερη πολυπλοκότητά του, δεν οδήγησε σε ουσιαστική βελτίωση. Συνεπώς, η εργασία αναδεικνύει ότι σε επιδημιολογικές χρονοσειρές, αν δεν υπάρχει ή δεν χρησιμοποιείται πληροφορία από πολλαπλές πηγές, η χρήση πολυπλοκότερων μοντέλων δεν εγγυάται από μόνη της μεγαλύτερη ακρίβεια πρόβλεψης. 

Abstract 
This diploma thesis investigates the forecasting of COVID-19 case frequency using time series analysis methods. The study focuses on four European countries, namely Greece, Italy, Cyprus and Germany, with the aim of comparing different statistical, machine learning and deep learning approaches. The data were obtained from the Our World in Data database and mainly concern new confirmed cases per million people, as well as the 7-day rolling average, in order to reduce daily noise and provide a clearer representation of the pandemic trend.
In this work, five forecasting approaches were implemented and evaluated: ARIMA Walk-forward, XGBoost, LightGBM, LSTM and a hybrid ARIMA-LSTM model with an Attention mechanism. The evaluation was carried out using time-ordered training and test splits, so that the chronological structure of the data was preserved and future information was not used during training. Model performance was compared using RMSE, MAE and R².
The results shσowed that the ARIMA Walk-forward model achieved the most stable and accurate forecasts in most cases, outperforming the more complex machine learning and deep learning models overall. The LSTM model was the second most competitive approach, while XGBoost and LightGBM showed moderate but comparable performance. The hybrid model, despite its increased complexity, did not lead to a substantial improvement in forecasting accuracy. Therefore, this thesis highlights that, in epidemiological time series, when information from multiple sources is not available or not used, the application of more complex models does not, by itself, guarantee higher forecasting accuracy.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Αποστόλου Τσάμπουρα

με θέμα

Προσεγγιστικοί Αλγόριθμοι Ενισχυτικής Μάθησης για Φιλικές προς το Δίκτυο Συστάσεις

Approximate Reinforcement Learning Algorithms for Network-Friendly Recommendations

Εξεταστική Επιτροπή
Καθηγητής Θρασύβουλος Σπυρόπουλος (επιβλέπων)
Καθηγητής Άγγελος Μπλέτσας
Καθηγητής Μιχαήλ Λαγουδάκης 

Περίληψη
Ο έλεγχος του κόστους παράδοσης μέσω δικτύου, με ταυτόχρονη διατήρηση της υψηλής ποιότητας εμπειρίας των χρηστών, αποτελεί μια κρίσιμη πρόκληση για τους σύγχρονους παρόχους περιεχομένου. Ενώ οι παραδοσιακές προσεγγίσεις βελτιστοποιούν τα Δίκτυα Παράδοσης Περιεχομένου (CDNs) και τα Συστήματα Συστάσεων (RS) ανεξάρτητα, πρόσφατες έρευνες προτείνουν την ανατροπή του προβλήματος, αξιοποιώντας το σύστημα συστάσεων για να «ωθήσει» τους χρήστες προς περιεχόμενο που βρίσκεται ήδη στην τοπική μνήμη. Αυτό το παράδειγμα, γνωστό ως Φιλικές προς το Δίκτυο Συστάσεις, μοντελοποιείται ως μια ακολουθιακή Διαδικασία Απόφασης Markov (MDP), σχεδιασμένη να ελαχιστοποιεί το μακροπρόθεσμο κόστος δρομολόγησης, διατηρώντας παράλληλα αυστηρά την Ποιότητα της Σύστασης (QoR).
Ο πρωταρχικός στόχος αυτής της διπλωματικής εργασίας είναι η διερεύνηση τόσο ακριβών όσο και προσεγγιστικών  μεθόδων Ενισχυτικής Μάθησης, προκειμένου να αυξηθεί η δυνατότητα εφαρμογής αυτής της μεθοδολογίας σε μεγαλύτερα, εν δυνάμει άγνωστα σενάρια. Για να επιτευχθεί αυτό, η πρώτη μας συνεισφορά είναι η διατύπωση ενός αλγορίθμου Tabular Q-learning, ο οποίος εξισώνεται επιτυχώς με την απόδοση των ακριβών αλγορίθμων βάσης «(oracle), δηλαδή των Value Iteration και Policy Iteration, σε σενάρια μικρού έως μεσαίου μεγέθους. Ωστόσο, επειδή ο διαρκώς αυξανόμενος χώρος καταστάσεων-ενεργειών καθιστά τις tabular μεθόδους μη εφαρμόσιμες για μεγαλύτερους καταλόγους, η δεύτερη συνεισφορά μας εισάγει προσεγγιστικές λύσεις Βαθιάς Ενισχυτικής Μάθησης (Deep RL) βασισμένες σε Βαθιά Δίκτυα Q (DQNs). Και συνδυάζοντας τα DQNs με δομικές ενσωματώσεις γράφων, αντιμετωπίζουμε επιτυχώς τον αυξανόμενο χώρο καταστάσεων και βελτιώνουμε δραστικά τη γενίκευση των συστάσεων.
Τέλος, αν και το τυπικό DQN ξεπερνά αυτή την πολυπλοκότητα,  δυσκολεύεται να αναπτύξει επίγνωση του δικτύου. Ως τρίτη συνεισφορά, προτείνουμε μια νέα αρχιτεκτονική Graph Q-Network (GQN), η οποία αξιοποιεί τις ιδιότητες των γράφων μεταξύ σχετικού περιεχομένου, προκειμένου να πραγματοποιεί έξυπνες συστάσεις αξιοποιώντας graph convolutional layers. Και με αξιολογήσεις σε αραιά  σύνολα δεδομένων αποδεικνύουμε ότι το πλαίσιο GQN μπορεί να φτάσει την απόδοση των βελτιστοποιημένων αλγορίθμων βάσης μας, επιτυγχάνοντας παράλληλα ταχύτερη σύγκλιση. Εν κατακλείδι, αυτή η διπλωματική εργασία καταδεικνύει πώς μπορούμε να προχωρήσουμε προοδευτικά από τις ακριβείς tabular μεθόδους σε προσεγγιστικές, βαθιές αρχιτεκτονικές γράφων και να μετασχηματίσουμε επιτυχώς την  κλίμακα των NFR.

Abstract 
Controlling network delivery costs while maintaining high-quality user experiences is a critical challenge for modern content providers (CP). While traditional approaches optimize Content Delivery Networks (CDNs) and Recommendation Systems (RS) independently, recent work has proposed turning the problem on its head by leveraging the RS to seamlessly ``nudge'' users toward locally cached content. This paradigm, known as Network-Friendly Recommendations (NFR), is modeled as a sequential Markov Decision Process (MDP) designed to minimize long-term routing costs while strictly preserving the Quality of Recommendation (QoR). 
The primary goal of this thesis is to investigate both exact and approximate Reinforcement Learning (RL) methods to increase the applicability of this methodology to larger, potentially unknown scenarios. To achieve this, our contributions are ,firstly, to formulate a Tabular Q-learning algorithm that successfully matches the performance of the exact ``oracle'' Value Iteration and Policy Iteration baselines in small-to-medium sized scenarios. However, because the expanding state-action space makes tabular methods infeasible for larger catalogs, our second contribution introduces approximate Deep RL solutions based on Deep Q-Networks (DQNs) and by pairing DQNs with structural graph embeddings, we successfully deal with the increasing state space and drastically improve the generalization of the method.
Finally, while the standard DQN overcomes the sample complexity, it also struggles to navigate through the network-awareness . As our third contribution, we propose a novel Graph Q-Network (GQN) architecture that leverages the MDP graphs properties between related contents to make intelligent recommendations by utilizing graph convolutional layers. The evaluations on sparse, real-world datasets demonstrateσ that the GQN framework can effortlessly match our optimized baseline algorithms while achieving faster convergence. Ultimately, this thesis demonstrates how we can progressively advance from exact tabular methods to approximate deep graph architectures and successfully transform NFR's scale.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Αλεξάνδρου Σιούτη

με θέμα
Ανάπτυξη Μετατροπέα Ισχύος DC/DC Πολλαπλών Θυρών για Φωτοβολταϊκά Συστήματα
Development of a Multi-port DC/DC Power Converter for Photovoltaic Systems

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

Περίληψη
Οι ανανεώσιμες πηγές ενέργειας διαδραματίζουν αναπόσπαστο ρόλο στη σύγχρονη κοινωνία, παρέχοντας ενέργεια για οικιακές και βιομηχανικές εφαρμογές. Ωστόσο, για την επίτευξη υψηλής απόδοσης, απαιτείται ο κατάλληλος σχεδιασμός ηλεκτρονικών συστημάτων ισχύος, ώστε να εξασφαλίζεται η βέλτιστη μεταφορά ενέργειας από τις πηγές στα φορτία. Στην παρούσα διπλωματική εργασία, παρουσιάζεται ο σχεδιασμός και η κατασκευή ενός πολύθυρου μετατροπέα DC–DC τύπου Buck–Boost με αμφίδρομη ροή ισχύος, με έμφαση στη χρήση φωτοβολταϊκών συστημάτων ως κύρια πηγή ενέργειας. Επιπλέον, εφαρμόζεται αλγόριθμος παρατήρησης τάσης και ρεύματος με σκοπό την εξαγωγή της μέγιστης ισχύος από τα φωτοβολταϊκά στοιχεία κατά τη διάρκεια της ημέρας. Η υπό μελέτη τοπολογία του μετατροπέα αναλύεται θεωρητικά και παραθέτονται εξισώσεις σχεδιασμού για παθητικά και ενεργά στοιχεία. Το σύστημα μοντελοποιείται και προσομοιώνεται στο MATLAB/Simulink υπό διάφορα σενάρια λειτουργίας. Σχεδιάζεται πλήρες κύκλωμα και διάταξη PCB, ενώ ακολουθεί και κατασκευή πραγματικής πλακέτας η οποία υποβάλλεται σε εργαστηριακές δοκιμές. Τα πειραματικά αποτελέσματα επαληθεύουν την ορθή λειτουργία του μετατροπέα, καταδεικνύοντας ικανοποιητική κατανομή ισχύος μεταξύ των θυρών. Η μετρούμενη απόδοση συγκλίνει με τα αποτελέσματα προσομοίωσης, επιβεβαιώνοντας την καταλληλότητα του προτεινόμενου μετατροπέα για υβριδικά φωτοβολταϊκά ενεργειακά συστήματα.

Abstract 
Renewable energy sources play an integral role in modern society, providing energy for residential and industrial applications. However, to achieve high efficiency, the appropriate design of power electronic systems is required to ensure optimal energy transfer from the sources to the loads. In this diploma thesis, the design and construction of a multiport Buck–Boost DC–DC converter with bidirectional power flow are presented, with a focus on the use of photovoltaic systems as the primary energy source. Moreover, an observation algorithm of voltage and current is applied in order to extract the maximum power of the photovoltaic strings during the day. The studied converter topology is theoretically analyzed and design equations for its passive and active components are applied. The system is modelled and simulated in MATLAB/Simulink under various operating scenarios. A complete schematic and Printed Circuit Board (PCB) layout are designed, followed by hardware construction and laboratory testing. The experimental results validate the correct operation of the converter, demonstrating optimal power flow and efficient power sharing among ports. The measured performance shows good agreement with simulation results, confirming the suitability of the studied converter for multi-source photovoltaic energy systems.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Παναγιώτη Ζαχαρία

με θέμα

Μελέτη Επικινδυνότητας και Σχεδίαση Αντικεραυνικής Προστασίας Βιομηχανικού Αποστακτηρίου

Risk Assessment and Design of Lightning Protection of an Industrial Distillery Building

Εξεταστική Επιτροπή
Επίκουρος Καθηγητής Γεώργιος Πέππας, Επιβλέπων 
Καθηγητής Ευτύχιος Κουτρούλης
Καθηγητής Κωνσταντίνος Γυφτάκης

Περίληψη
Η παρούσα διπλωματική εργασία πραγματεύεται τη μελέτη επικινδυνότητας και τη σχεδίαση αντικεραυνικής προστασίας ενός βιομηχανικού αποστακτηρίου, με εφαρμογή στο αποστακτήριο Lost Lake Distillery, στην Πέτρα Βοιωτίας. Ο χώρος ενός αποστακτηρίου παρουσιάζει αυξημένη επικινδυνότητα, καθώς οι υψηλές συγκεντρώσεις αλκοόλης δημιουργούν εύφλεκτη ατμόσφαιρα, στην οποία ένα κεραυνικό πλήγμα μπορεί να προκαλέσει φωτιά ή έκρηξη.
Η ανάλυση βασίζεται στα πρότυπα IEC EN ΕΛΟΤ 62305-2, για την εκτίμηση του κινδύνου από κεραυνικά πλήγματα, και IEC EN ΕΛΟΤ 62305-3, για τη σχεδίαση του Συστήματος Αντικεραυνικής Προστασίας (ΣΑΠ). Αρχικά προσδιορίζονται οι πηγές και οι τύποι των βλαβών, οι τύποι των απωλειών και οι συνιστώσες κινδύνου, και μέσω του υπολογισμού των πιθανοτήτων P και των απωλειών L προκύπτει ο συνολικός κίνδυνος R της εγκατάστασης. Επειδή ο κίνδυνος υπερβαίνει τον ανεκτό, σχεδιάζεται και εφαρμόζεται ολοκληρωμένη προστασία: εξωτερικά μέσω συλλεκτηρίου συστήματος, αγωγών καθόδου και γείωσης σε επίπεδο προστασίας I, και εσωτερικά μέσω θωράκισης, ισοδυναμικών συνδέσεων και απαγωγών υπερτάσεων. Τέλος, ο κίνδυνος επαναϋπολογίζεται και επιβεβαιώνεται ότι, μετά τις παρεμβάσεις, περιορίζεται κάτω από το ανεκτό όριο, καθιστώντας την εγκατάσταση ασφαλή.
Λέξεις-κλειδιά: αντικεραυνική προστασία, εκτίμηση κινδύνου, IEC EN ΕΛΟΤ 62305, αποστακτήριο, κίνδυνος έκρηξης, Σύστημα Αντικεραυνικής Προστασίας.

Abstract
This diploma thesis addresses the risk assessment and the design of lightning protection for an industrial distillery, applied to the Lost Lake Distillery in Petra, Boeotia. A distillery is a particularly hazardous environment, since the high concentrations of alcohol create a flammable atmosphere in which a lightning strike may cause fire or explosion.
The analysis is based on IEC 62305-2, for the assessment of the risk due to lightning, and IEC 62305-3, for the design of the Lightning Protection System (LPS). First, the sources and types of damage, the types of loss and the risk components are identified, and through the calculation of the probabilities P and the losses L the total risk R of the installation is obtained. As the risk exceeds the tolerable level, a complete protection scheme is designed and applied: externally through an air-termination system, down-conductors and earthing at protection level I, and internally through shielding, equipotential bonding and surge protective devices. Finally, the risk is recalculated and it is confirmed that, after the interventions, it is reduced below the tolerable limit, rendering the installation safe.
Keywords: lightning protection, risk assessment, IEC 62305, distillery, explosion risk, Lightning Protection System.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Αθανασίου Κασσελά

με θέμα

Βαθιά Ενισχυτική Μάθηση σε Στρατηγικά Περιβάλλοντα Πραγματικού Χρόνου

Deep Reinforcement Learning in a Real Time Strategy Environment

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

Περίληψη
Τα παιχνίδια στρατηγικής σε πραγματικό χρόνο, όπως το StarCraft II, ανήκουν στα πιο δύσκολα περιβάλλοντα για την τεχνητή νοημοσύνη. Ο παίκτης πρέπει να μαζεύει πόρους, να χτίζει στρατό και να δίνει μάχες, όλα σε πραγματικό χρόνο, ενώ βλέπει μόνο το κομμάτι του χάρτη που έχουν ήδη επισκεφθεί οι δικές του μονάδες. Η παρούσα διπλωματική εργασία μελετά πώς ένας τεχνητός πράκτορας μπορεί να εκπαιδευτεί σε τέτοια παιχνίδια με τη βοήθεια της βαθιάς ενισχυτικής μάθησης, μιας τεχνικής στην οποία ο πράκτορας βελτιώνει τη συμπεριφορά του επιλέγοντας ενέργειες και αξιολογώντας την ανταμοιβή που λαμβάνει. 
Υλοποιούμε δύο τέτοιους πράκτορες, έναν από καθεμία από τις δύο κύριες κατηγορίες της βαθιάς ενισχυτικής μάθησης και τους εκπαιδεύουμε υπό τις ίδιες συνθήκες σε τέσσερα σύντομα εκπαιδευτικά σενάρια του StarCraft II που έχει δημοσιεύσει η ερευνητική μονάδα γνωστής μεγάλης εταιρείας πληροφορικής. Για τη διασφάλιση μιας δίκαιης σύγκρισης, χρησιμοποιούμε μια πληρέστερη αναπαράσταση της κατάστασης του περιβάλλοντος, προσθέτουμε μια νέα δυνατότητα που επιτρέπει στον πράκτορα να επιλέγει ποια μονάδα θα ελέγξει και αποφεύγουμε τη διαμόρφωση της ανταμοιβής, ώστε οι πράκτορες να μαθαίνουν αποκλειστικά από την πρωτογενή βαθμολογία του παιχνιδιού. 
Στα πιο εύκολα σενάρια οι πράκτορες σημειώνουν επιδόσεις συγκρίσιμες με άλλες μελέτες μικρής κλίμακας, καθώς επίσης χρησιμοποιούμε σημαντικά μικρότερο υπολογιστικό πόρο σε σχέση με μεγάλες ερευνητικές ομάδες. Στο πιο απαιτητικό σενάριο, όπου απαιτείται η ανάπτυξη οικονομίας και η παραγωγή στρατού από το μηδέν, οι πράκτορες δεν καταφέρνουν να αναπτύξουν μια αποτελεσματική στρατηγική, κάτι που επιβεβαιώνει τη γνωστή αδυναμία της μεθόδου όταν οι ανταμοιβές είναι σπάνιες και ο χρονικός ορίζοντας μεγάλος. Το τελευταίο κεφάλαιο συζητά τους περιορισμούς της υλοποίησής μας και προτείνει κατευθύνσεις για μελλοντική έρευνα, όπως ιεραρχικές μεθόδους, αναδρομική μνήμη και καλύτερα σήματα ανταμοιβής.

Abstract 
Real-time strategy games such as StarCraft II are difficult testbeds for artificial intelligence because a player has to manage economy, production, movement, and combat at the same time. The player also acts under partial observability, seeing only the parts of the map that their own units have already visited. This thesis studies how an agent can learn to play in this environment, using Deep Reinforcement Learning, a learning paradigm in which the agent improves by interacting with the game and adapting its behaviour via employing Deep Neural Networks to evaluate its decision policy based on reward signals it receives from the environment. 
We implement two agents from different families of Deep Reinforcement Learning: a Deep Q-Network agent and a synchronous Advantage Actor-Critic agent. Both are implemented in TensorFlow 2 and trained under the same conditions on four short PySC2 mini-games released with DeepMind’s StarCraft II research environment. To ensure a fair comparison, both agents use the same two-channel screen representation, the same action-argument factorisation, and the same decision rate. We also add a unit-selection head for the A2C agent and keep the reward signal unshaped, so both agents learn only from the scoring rules provided by PySC2. 
On the easier scenarios the agents reach scores that are competitive with other small-scale studies on the same environment, despite the much smaller compute budget available for this project. On the hardest scenario, the agents do not learn an effective production policy. This result is consistent with a known limitation of flat approaches when rewards are rare and the time horizon is long. The final chapter discusses the limitations of our implementation and suggests future research directions, such as hierarchical methods, recurrent memory, and better reward signals.  

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Νικολάου Κομητόπουλου

με θέμα

Προσομοίωση Ζήτησης Ηλεκτρικής Ενέργειας Ηλεκτρικών Οχημάτων με Χρήση Λεπτομερών Μοντέλων Κυκλοφορίας 

Simulation of Electric Power Demand of Electric Vehicles Based on Detailed Transport Models

Εξεταστική Επιτροπή
Καθηγητής Ευτύχιος Κουτρούλης (επιβλέπων) 
Επίκουρος Καθηγητής Γεώργιος Πέππας 
Καθηγητής Φώτιος Κανέλλος (Πολυτεχνείο Κρήτης, Σχολή ΜΠΔ)

Περίληψη

Η διπλωματική εργασία εξετάζει την προσομοίωση της ζήτησης ηλεκτρικής ενέργειας από ηλεκτρικά οχήματα, με αξιοποίηση λεπτομερών μοντέλων μεταφορών. Η αυξανόμενη διείσδυση της ηλεκτροκίνησης δημιουργεί νέες απαιτήσεις για τα δίκτυα ηλεκτρικής ενέργειας, καθώς η φόρτιση των οχημάτων εξαρτάται από τις καθημερινές μετακινήσεις, τον χρόνο στάθμευσης, τη διαθεσιμότητα υποδομών και τις επιλογές των χρηστών. Στόχος της εργασίας είναι η διερεύνηση του τρόπου με τον οποίο δεδομένα μετακινήσεων και μοντέλα μεταφοράς μπορούν να χρησιμοποιηθούν για την εκτίμηση του χρονικού και χωρικού προφίλ της ηλεκτρικής ζήτησης. Παρουσιάζονται οι βασικές αρχές της μοντελοποίησης μετακινήσεων, της χρήσης ηλεκτρικών οχημάτων και της διαδικασίας φόρτισης. Στη συνέχεια, αναλύονται σενάρια που συνδέουν τα πρότυπα ταξιδιών με την κατανάλωση ενέργειας και τη φόρτιση. Τα αποτελέσματα συμβάλλουν στην κατανόηση των επιπτώσεων της ηλεκτροκίνησης στο ενεργειακό σύστημα και υποστηρίζουν τον σχεδιασμό κατάλληλων υποδομών, πολιτικών διαχείρισης ζήτησης και στρατηγικών βιώσιμης κινητικότητας σε σύγχρονες αστικές και περιαστικές περιοχές με αυξανόμενη ζήτηση μετακινήσεων και ενέργειας.

Abstract

This thesis examines the simulation of electricity demand generated by electric vehicles through the use of detailed transport models. The growing uptake of electric mobility creates new requirements for electricity networks, since vehicle charging depends on daily travel patterns, parking duration, infrastructure availability, and users’ choices. The study aims to investigate how travel data and transport models can be used to estimate the temporal and spatial profile of electricity demand. It presents the fundamental principles of travel modelling, electric vehicle use, and charging processes. Subsequently, it analyses scenarios that link travel patterns with energy consumption and charging activity. The findings contribute to a better understanding of the effects of electric mobility on the energy system and support the planning of appropriate infrastructure, demand-management policies, and sustainable mobility strategies in contemporary urban and suburban areas experiencing increasing travel and energy demand over time and across the study area under consideration.

Meeting ID: 967 8767 2714
Password: 259569

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Νικολάου Μουζακίτη

με θέμα

Διαδραστικότητα που Βασίζεται στο Βλέμμα Χρησιμοποιώντας Παρακολούθηση Ματιών σε Επαυξημένη Πραγματικότητα

Gaze-driven Interaction using Binocular Eye-Tracking in Augmented Reality

Εξεταστική Επιτροπή
Καθηγήτρια Αικατερίνη Μανιά (επιβλέπουσα)
Καθηγητής Κωνσταντίνος Μπάλας 
Καθηγητής Αντώνιος Δεληγιαννάκης 

Περίληψη
Η παρούσα διπλωματική εργασία διερευνά την αλληλεπίδραση βασισμένη στο βλέμμα σε περιβάλλοντα Επαυξημένης Πραγματικότητας (AR) με τη συσκευή Magic Leap One, αντιμετωπίζοντας το πρόβλημα Midas Touch: την πρόκληση διάκρισης μεταξύ σκόπιμων εντολών μέσω βλέμματος και φυσικής οπτικής σάρωσης του περιβάλλοντος.
Σχεδιάστηκε και υλοποιήθηκε μια εφαρμογή γρίφου με θέμα ντετέκτιβ, τοποθετημένη σε ένα επιστημονικό εργαστήριο του 1914, χρησιμοποιώντας το Unity 2020.3 LTS. Η εφαρμογή τοποθετεί εικονικά αντικείμενα σε επιφάνειες του πραγματικού κόσμου που ανιχνεύονται μέσω χωρικής σάρωσης και απαιτεί από τους χρήστες να πλοηγούνται σε μενού, να συλλέγουν κρυφές ενδείξεις που αποκαλύπτονται με το φως κεριών και να εισάγουν έναν κωδικό λύσης, αποκλειστικά μέσω του βλέμματος. Ένα πλαίσιο αλληλεπίδρασης χρόνου παραμονής dwell-time) αποτελεί το κύριο αντίμετρο του προβλήματος Midas Touch, εφαρμόζοντας ενιαίο κατώφλι 1000ms για όλους τους τύπους αλληλεπίδρασης, συνοδευόμενο από ακτινωτές και γραμμικές ενδείξεις προόδου, ενώ ένα buffer καταστολής 150ms μετά από σακκαδικές κινήσεις φιλτράρει παροδικά δείγματα βλέμματος για την αποφυγή τυχαίων ενεργοποιήσεων. Νέα στοιχεία διεπαφής περιλαμβάνουν ένα κατάλογο ευρημάτων τοποθετημένο στον καρπό που συνδυάζει παρακολούθηση χεριών με ενεργοποίηση μέσω βλέμματος, καθώς και ένα ακτινωτό πληκτρολόγιο με τριγωνομετρική διάταξη πλήκτρων βελτιστοποιημένη για ελάχιστες αποστάσεις κίνησης των ματιών μεταξύ διαδοχικών επιλογών χαρακτήρων.
Μια μελέτη με οκτώ συμμετέχοντες απέδωσε ποσοστό επιτυχούς ολοκλήρωσης εργασιών 100%, ποσοστό βαθμονόμησης 87,5% στην πρώτη προσπάθεια, συνολικό ποσοστό επιτυχίας αλληλεπίδρασης μέσω βλέμματος 86%, μέση βαθμολογία φόρτου εργασίας Raw NASA-TLX 1,83 σε κλίμακα 7 βαθμών και συνολική βαθμολογία χρηστικότητας 5,83 σε κλίμακα Likert δέκα στοιχείων ειδικά για αλληλεπίδραση με βλέμμα. Τα αποτελέσματα αυτά υποδηλώνουν ότι ένα ενιαίο κατώφλι dwell-time 1000ms σε συνδυασμό με ενδείξεις προόδου σε πραγματικό χρόνο καταστέλλει αποτελεσματικά τις ακούσιες ενεργοποιήσεις χωρίς να επιβάλλει ανεπίτρεπτο φόρτο εργασίας, και ότι χρήστες χωρίς προηγούμενη εκπαίδευση μπορούν να αλληλεπιδράσουν αποτελεσματικά με διεπαφές AR βασισμένες αποκλειστικά στο βλέμμα.
Η εργασία συνεισφέρει μια υλοποίηση αναφοράς αλληλεπίδρασης βασισμένης στο βλέμμα σε AR επί καταναλωτικής συσκευής, προκαταρκτικά εμπειρικά στοιχεία για την αποτελεσματικότητα της πρόληψης Midas Touch μέσω dwell-time, και σχεδιαστικές γνώσεις που πληροφορούν μελλοντικές διεπαφές AR χωρίς χέρια για εφαρμογές προσβασιμότητας και επαγγελματικά περιβάλλοντα.

Abstract 
This diploma thesis investigates gaze-driven interaction in Augmented Reality (AR) environments on the Magic Leap One, addressing the Midas Touch problem: the challenge of distinguishing deliberate gaze commands from ordinary visual scanning behaviour.
A detective-themed puzzle application set in a 1914 science laboratory was designed and implemented using Unity 2020.3 LTS. The application places virtual props on real-world surfaces detected through spatial plane scanning and requires users to navigate menus, collect hidden clues revealed by candlelight, and enter a solution code, all through eye gaze alone. A dwell-time interaction framework serves as the primary Midas Touch countermeasure, applying a uniform 1000ms threshold across all interaction types, accompanied by radial and linear progress indicators, while a 150ms post-saccadic suppression buffer filters transient gaze samples to prevent accidental activations. Novel interface components include a wrist-mounted inventory combining hand tracking with gaze activation, and a radial keyboard with trigonometric button layout optimised for minimal eye-movement distances between consecutive character selections.
A study with eight participants yielded a 100% task completion rate, an 87.5% first-attempt calibration success rate, an 86% overall gaze interaction success rate, a mean Raw NASA-TLX workload score of 1.83 on a 7-point scale, and a composite gaze interaction usability score of 5.83 on a ten-item gaze-specific Likert scale. These results suggest that a uniform 1000ms dwell-time threshold combined with real-time progress indicators effectively suppresses unintentional activations without imposing unacceptable workload, and that users without prior training can engage productively with gaze-only AR interaction.
The work contributes a reference implementation of binocular gaze-driven AR interaction on a consumer headset, preliminary empirical evidence for the effectiveness of dwell-time Midas Touch prevention, and design insights informing future hands-free AR interfaces for accessibility and professional applications. 

ΠΑΡΟΥΣΙΑΣΗ ΔΙΔΑΚΤΟΡΙΚΗΣ ΔΙΑΤΡΙΒΗΣ

Χαράλαμπου – Ιωάννη Μητρόπουλου

με θέμα

Ενίσχυση του Οικοσυστήματος της Solidity μέσω Εμπειρικής Ανάλυσης και Μεθόδων Καθοδηγούμενων από Ανατροφοδότηση

Strengthening the Solidity Ecosystem Through Empirical Analysis and Feedback-driven Methods

Εξεταστική Επιτροπή
Καθηγητής Σωτήριος Ιωαννίδης
Καθηγητής Αντώνιος Δεληγιαννακης
Αναπληρωτής Καθηγητής Ευάγγελος Καλογεράκης
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς
Καθηγητής Διομήδης Σπινέλλης
Καθηγητής Ιωάννης Σμαραγδάκης 
Επίκουρος Καθηγητής Ευάγγελος Ατλιδάκης

Περίληψη
Τα έξυπνα συμβόλαια που αναπτύσσονται σε πλατφόρμες blockchain είναι αμετάβλητα και διαχειρίζονται περιουσιακά στοιχεία αξίας δισεκατομμυρίων δολαρίων, καθιστώντας την ορθότητά τους υψίστης σημασίας. Η παρούσα διατριβή ενισχύει το οικοσύστημα της Solidity μέσω εμπειρικά θεμελιωμένης έρευνας και ανάπτυξης εργαλείων βασισμένων σε τεκμήρια. Παρουσιάζουμε την πρώτη μεγάλης κλίμακας μελέτη μεικτών μεθόδων για τον σχεδιασμό της γλώσσας Solidity, αναλύοντας 296.000 έξυπνα συμβόλαια, διεξάγοντας έρευνα με 31 προγραμματιστές και αξιολογώντας 11 εργαλεία ανάλυσης. Τα ευρήματά μας αποκαλύπτουν ότι τα υπάρχοντα εργαλεία ανιχνεύουν μόνο το 43,5% των σφαλμάτων διαχείρισης εξαιρέσεων και ότι η αστάθεια της τεκμηρίωσης αποθαρρύνει τους προγραμματιστές από τη χρήση της. Βασιζόμενοι σε αυτά τα ευρήματα, παρουσιάζουμε τον FUZZOL, έναν συντακτικά ενήμερο fuzzer μεταλλάξεων που ανακάλυψε 19 σφάλματα στον μεταγλωττιστή (17 διορθώθηκαν), επιτυγχάνοντας έως και 5,8× υψηλότερη κάλυψη κώδικα σε σχέση με τα κορυφαία εργαλεία. Επίσης, παρουσιάζουμε το DGRed, το οποίο μειώνει το κόστος ανάπτυξης κατά μέσο όρο 15,65% μέσω μετάλλαξης μεταβλητών κατάστασης βασισμένης σε αναζήτηση, αμφισβητώντας τις συμβατικές πρακτικές συμπίεσης μεταβλητών.

Abstract
Smart contracts deployed on blockchain platforms are immutable and control billions of dollars in assets, making their correctness paramount. This dissertation strengthens the Solidity ecosystem through empirically-grounded investigation and feedback-driven tool development. We present the first large-scale mixed-methods study of Solidity’s language design, analyzing 296,000 smart contracts, surveying 31 developers, and evaluating 11 analysis tools. Our findings reveal that existing tools detect only 43.5% of error-handling misuses and that documentation instability discourages developer consultation. Building on these findings, we introduce FUZZOL, a syntax-aware mutation fuzzer that discovered 19 compiler bugs (17 fixed), achieving up to 5.8× higher coverage than state-of-the-art fuzzers. We also introduce DGRed, which reduces deployment gas costs by 15.65% through search-based state variable mutation, challenging conventional variable packing practices.

Meeting ID: 969 6047 4548
Password: 677316

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Κωνσταντίνου Καπνιά

με θέμα
Σχεδίαση ταχυφορτιστή ηλεκτρικών οχημάτων σε Simulink/Matlab
Design of Electric Vehicles Fast Charger in Simulink/Matlab

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

Περίληψη
Η ραγδαία ανάπτυξη της ηλεκτροκίνησης δημιουργεί αυξημένες απαιτήσεις για υποδομές φόρτισης υψηλής ισχύος, ικανές να εξυπηρετούν γρήγορα και αξιόπιστα τα σύγχρονα ηλεκτρικά οχήματα. Οι ταχυφορτιστές συνεχούς ρεύματος αποτελούν βασικό στοιχείο αυτής της μετάβασης, καθώς μειώνουν σημαντικά τον χρόνο φόρτισης και βελτιώνουν τη λειτουργική αξιοποίηση των οχημάτων.
Στην παρούσα διπλωματική εργασία μελετάται και προσομοιώνεται ένα σύστημα ταχυφόρτισης υψηλής ισχύος, βασισμένο σε κοινό ζυγό συνεχούς τάσης 800 V, στο οποίο ενσωματώνεται φωτοβολταϊκή παραγωγή. Η προτεινόμενη αρχιτεκτονική περιλαμβάνει φωτοβολταϊκή πηγή με μετατροπέα ανύψωσης τάσης (Boost) και έλεγχο μέγιστης ισχύος, τριφασικό μετατροπέα AC/DC τριών επιπέδων για τη διασύνδεση με το δίκτυο και απομονωμένο αμφίδρομο μετατροπέα DC/DC για τη φόρτιση της μπαταρίας.
Έμφαση δίνεται στον έλεγχο της πλευράς AC/DC μέσω φίλτρου LCL και τεχνικής διαμόρφωσης SVPWM, με στόχο τη βελτίωση της ποιότητας ρεύματος στην πλευρά του δικτύου. Ο έλεγχος υλοποιείται σε σύστημα αναφοράς dq, με εξωτερικό βρόχο ρύθμισης της τάσης του DC ζυγού και εσωτερικούς βρόχους ελέγχου ρεύματος. Παράλληλα, εξετάζεται η λειτουργία του αμφίδρομου μετατροπέα DC/DC κατά τη φόρτιση της μπαταρίας, καθώς και η συμβολή της φωτοβολταϊκής πηγής μέσω μετατροπέα Boost με αλγόριθμο MPPT τύπου ‘Perturb and Observe’. Επιπλέον, εφαρμόζεται στρατηγική ελέγχου της φόρτισης, σύμφωνα με την οποία η ζητούμενη ισχύς προσαρμόζεται στη μέγιστη διαθέσιμη ισχύ του συστήματος.
Η προσομοίωση πραγματοποιείται στο περιβάλλον MATLAB/Simulink και το σύστημα αξιολογείται σε δύο σενάρια λειτουργίας, μεγάλης και μικρότερης κλίμακας. Τα αποτελέσματα δείχνουν ότι το σύστημα επιτυγχάνει σταθερή λειτουργία σε διαφορετικά επίπεδα ισχύος, υποστηρίζει αποτελεσματικά τη φόρτιση της μπαταρίας και αξιοποιεί τη φωτοβολταϊκή παραγωγή, μειώνοντας την απαίτηση ισχύος από το δίκτυο.

Abstract
The rapid development of electric mobility creates increasing demands for high-power charging infrastructure capable of serving modern electric vehicles quickly and reliably. DC fast chargers constitute a key component of this transition, as they significantly reduce charging time and improve the operational utilization of electric vehicles.
In this diploma thesis, a high-power fast-charging system based on a common 800 V DC bus with integrated photovoltaic generation is studied and simulated. The proposed architecture includes a photovoltaic source with a boost converter and maximum power point tracking control, a three-level AC/DC converter for grid interfacing, and an isolated bidirectional DC/DC converter for battery charging.
Particular emphasis is placed on the control of the AC/DC stage through an LCL filter and SVPWM modulation technique, aiming at improving current quality on the grid side. The control is implemented in the dq reference frame, with an outer DC bus voltage control loop and inner current control loops. In parallel, the operation of the bidirectional DC/DC converter during battery charging is examined, as well as the contribution of the photovoltaic source through a boost converter employing a ‘Perturb and Observe’ MPPT algorithm. In addition, a charging control strategy is applied, according to which the requested charging power is adjusted to the maximum available system power.
The simulation is carried out in the MATLAB/Simulink environment and the system is evaluated under two operating scenarios, corresponding to larger-scale and smaller-scale applications. The results show that the system achieves stable operation at different power levels, effectively supports battery charging, and makes efficient use of photovoltaic generation, thereby reducing the power demand from the grid.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Θωμά Λαγού

με θέμα

Mελέτη Διηλεκτρικής Συμπεριφοράς Νανορευστών Οξειδίων Τιτανίου για χρήση σε ΣΗΕ
Study of the Dielectric Behavior of Titanium Oxide Nanofluids for use in Power Systems

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 φυσικού εστέρα και ειδικότερα του ελαίου FR3, με πρόσμιξη νανοσωματιδίων διοξειδίου του τιτανίου (TiO2), υπό διαφορετικές συνθήκες αφύγρανσης. Στόχος της εργασίας είναι η διερεύνηση της επίδρασης της συγκέντρωσης των νανοσωματιδίων, της επίδρασης του χρόνου επεξεργασίας αφύγρανσης καθώς και της στατιστικής συμπεριφοράς του μονωτικού υγρού έπειτα από τον μεγάλο όγκο συνεχόμενων ηλεκτρικών εκκενώσεων.
Η πειραματική διαδικασία πραγματοποιήθηκε σύμφωνα με το διεθνές 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%,10%), τα οποία είναι κρίσιμα για τον ασφαλή σχεδιασμό αξιόπιστων υγρών διηλεκτρικών σε εφαρμογές μετασχηματιστών υψηλής τάσης.
Τα αποτελέσματα δείχνουν ότι η προσθήκη νανοσωματιδίων TiO2 βελτιώνει σημαντικά τη διηλεκτρική αντοχή, με τη συγκέντρωση 0.020% wt (Δείγμα C5) να αναδεικνύεται ως η βέλτιστη (optimum concentration), καθώς συνδυάζει τη μέγιστη διηλεκτρική αντοχή με την υψηλότερη στατιστική ομοιογένεια και σταθερότητα. Παράλληλα, αναδεικνύεται ο καθοριστικός ρόλος του χρόνου αφύγρανσης, ο οποίος δεν λειτουργεί γραμμικά αλλά εξαρτάται από τη συγκέντρωση, ενώ η παρατεταμένη καταπόνηση από τις εκατοντάδες συνεχόμενες διασπάσεις αποδείχθηκε ότι προκαλεί σταδιακή υποβάθμιση της διηλεκτρικής συμπεριφοράς και διεύρυνση της στατιστικής διασποράς.
Συνολικά, η εργασία αυτή βοηθάει στο να καταλάβουμε καλύτερα πώς τα νανοσωματίδια επηρεάζουν τη διηλεκτρική συμπεριφορά του φυσικού εστέρα και δείχνει στην πράξη πόσο χρήσιμη είναι η στατιστική ανάλυση Weibull για να αξιολογούμε σωστά και με ασφάλεια τα μονωτικά λάδια που χρησιμοποιούνται στις υψηλές τάσεις.
Λέξεις κλειδιά: TiO2, νανοέλαια, νανοσωματίδια, βέλτιστη συγκέντρωση, χρόνος αφύγρανσης, διηλεκτρική αντοχή, κατανομή Weibull, φυσικός εστέρας, IEC 60156.

Abstract 
This diploma thesis investigates the dielectric strength of natural ester insulating nanofluids, focusing on FR3 oil enhanced with titanium dioxide (TiO2) nanoparticles under different dehydration conditions. The main objective is to examine the influence of nanoparticle concentration, the effect of dehydration processing time , as well as the statistical behavior after the large volume of consecutive electrical discharges. 
The experimental procedure was conducted in accordance with the international standard IEC 60156, and the obtained breakdown voltage data were analyzed using the Weibull distribution. This approach enables a reliability-oriented evaluation of dielectric strength, extending beyond simple mean values and emphasizing low-probability percentiles (1%,10%), which are of critical importance for the design of reliable liquid dielectrics in high-voltage transformer applications.
The results indicate that the addition of TiO2 nanoparticles significantly enhances the dielectric withstand, with the concentration of 0.020% wt (Sample C5) being identified as the optimum choice, combining peak dielectric strength with the highest statistical homogeneity and stability. Furthermore, the crucial role of dehydration time is highlighted, showing a non-linear behavior that depends on the specific concentration level, while the prolonged exposure to hundreds of consecutive breakdown events was found to induce gradual degradation of the dielectric performance and an increase in statistical dispersion.
Overall, this work helps to better understand how nanoparticles affect the dielectric behavior of natural esters and demonstrates in practice how useful Weibull statistical analysis is for properly and safely assessing insulating oils used in high-voltage applications. 
Keywords: TiO2, nanofluids, nanoparticles, optimum concentration, dehydration time, dielectric strength, Weibull distribution, natural ester, liquid dielectrics, IEC 60156.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ιωάννη Δρίτσα

με θέμα

Ασαφής Έλεγχος με την χρήση της Python
Fuzzy Control using Python

Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς (επιβλέπων)
Καθηγητής Ευτύχιος Κουτρούλης
Καθηγητής Γεώργιος Σταυρουλάκης (Σχολή ΜΠΔ)

Περίληψη
Η παρούσα διπλωματική εργασία επικεντρώνεται στη μελέτη, τον σχεδιασμό και την υλοποίηση ενός συστήματος ελέγχου βασισμένου στην Ασαφή Λογική (Fuzzy Logic), με στόχο την ενεργή απόσβεση ταλαντώσεων σε ένα δυναμικό μηχανικό σύστημα «έξυπνης δοκού» (smart beam) εξοπλισμένης με πιεζοηλεκτρικούς αισθητήρες και διεγέρτες. Η κύρια καινοτομία της έρευνας έγκειται στην πλήρη αυτονόμηση της προσομοίωσης και τη μετάβαση από εμπορικά λογισμικά κλειστού κώδικα σε περιβάλλον ανοικτού κώδικα Python. Για τον σκοπό αυτό, αξιοποιήθηκαν ευρέως επιστημονικές βιβλιοθήκες, όπως οι NumPy, SciPy, python-control, skfuzzy και fuzzylab [cite: 535-542].  
Το μαθηματικό μοντέλο της δοκού εξήχθη μέσω της Μεθόδου των Πεπερασμένων Στοιχείων (FEM) κατά Timoshenko, ενώ η δυναμική απόκριση του συστήματος υπολογίστηκε με τη μέθοδο αριθμητικής ολοκλήρωσης Houbolt. Στο πλαίσιο της εργασίας αναπτύχθηκαν και συγκρίθηκαν δύο ελεγκτές: ένας Γραμμικός Τετραγωνικός Ρυθμιστής (LQR), ο οποίος βασίζεται στην ακριβή γνώση του μαθηματικού μοντέλου της κατασκευής, και ένας Ασαφής Ελεγκτής (MISO) με μέθοδο συνεπαγωγής Mamdani. Ο ασαφής ελεγκτής αξιολογεί τη μετατόπιση και την ταχύτητα της δοκού μέσω 15 εμπειρικών κανόνων, προκειμένου να υπολογίσει την απαιτούμενη δύναμη διόρθωσης.  
Τα αποτελέσματα των προσομοιώσεων επιβεβαιώνουν ότι και οι δύο μέθοδοι καταστέλλουν επιτυχώς τις ταλαντώσεις. Ο ελεγκτής LQR προσφέρει ιδανική εξομάλυνση της απόκρισης, εφόσον το μοντέλο είναι απολύτως ακριβές. Στον αντίποδα, ο ασαφής ελεγκτής αποδεικνύεται εξαιρετικά ανθεκτικός και ικανός να ελέγξει αποτελεσματικά το σύστημα, χωρίς να απαιτείται η παραμικρή γνώση των μητρώων μάζας και δυσκαμψίας.  
Λέξεις-Κλειδιά: Ασαφής Λογική, Έξυπνη Δοκός, Πιεζοηλεκτρικά Υλικά, Βέλτιστος Έλεγχος LQR, Python, Μέθοδος Πεπερασμένων Στοιχείων (FEM).

Abstract 
This thesis focuses on the study, design, and implementation of a Fuzzy Logic control system aimed at actively damping vibrations in a "smart beam" dynamic mechanical system, equipped with piezoelectric sensors and actuators. The primary innovation of this research lies in the complete autonomy of the simulation and the transition from commercial closed-source software to the open-source Python programming environment. To achieve this, scientific libraries such as NumPy, SciPy, python-control, skfuzzy, and fuzzylab were extensively utilized [cite: 535-542].  
The mathematical model of the beam was derived using the Finite Element Method (FEM) based on Timoshenko beam theory, and the dynamic response of the system was calculated via the Houbolt numerical integration method. Two controllers were developed and compared within this framework: a Linear Quadratic Regulator (LQR), which relies on exact mathematical modeling of the structure, and a Multiple Input, Single Output (MISO) Fuzzy Controller utilizing Mamdani inference. The fuzzy controller evaluates the beam's displacement and velocity through 15 empirical rules to compute the required corrective force.  
Simulation results confirm that both methods effectively suppress vibrations. The LQR controller provides perfectly smooth response damping, provided the model is absolutely accurate. Conversely, the fuzzy controller demonstrates remarkable robustness, successfully and effectively controlling the system without requiring any knowledge of the mass and stiffness matrices.  
Keywords: Fuzzy Logic, Smart Beam, Piezoelectric Materials, Optimal Control LQR, Python, Finite Element Method (FEM).

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Αλεξάνδρου Παπαδάκη

με θέμα

Ασφαλή Διασυνδεδεμένα Έξυπνα Συστήματα για Οικιακές Εγκαταστάσεις

Secure Interconnected Smart Systems for Home Installations

Εξεταστική Επιτροπή
Καθηγητής  Σωτήριος Ιωαννίδης (επιβλέπων)
Καθηγητής Γεώργιος Καρυστινός
Δρ Κυπριανός Παπαδημητρίου

Περίληψη
Η εργασία μελετά τη συγκριτική συμπεριφορά πέντε διαδρομών ασύρματης επικοινωνίας σε πραγματικό περιβάλλον οικιακού αυτοματισμού: Wi-Fi, Zigbee, Matter μέσω Wi-Fi και Matter μέσω Thread, με κοινό επίπεδο ανταλλαγής μηνυμάτων MQTT σε δύο στάδια ασφάλειας — χωρίς κρυπτογράφηση (βασικό στάδιο) και με έλεγχο πρόσβασης και κρυπτογράφηση μεταφοράς (ACL+TLS). Πλατφόρμα ενορχήστρωσης αποτελεί το Home Assistant OS με πραγματικές συσκευές καταναλωτικής αγοράς.
Η ανάλυση οργανώνεται γύρω από τρεις άξονες αξιολόγησης: (α) καθυστέρηση από άκρο σε άκρο και συμπεριφορά ουράς, (β) σημασιολογική απόκλιση μεταξύ διαδρομών που μοιράζονται κοινά κανάλια επικοινωνίας αλλά διαφορετική ακολουθία γεγονότων, και (γ) πολυπλοκότητα ένταξης συσκευών και κύκλου ζωής ανά τεχνολογία.
Τα ευρήματα δείχνουν ότι οι διαδρομές Zigbee εμφανίζουν τις ταχύτερες τυπικές αποκρίσεις ενεργοποίησης (διάμεση ολική καθυστέρηση ≈ 54 ms), το Matter μέσω Wi-Fi είναι ιδιαίτερα ανταγωνιστικό (65 ms), ενώ το Matter μέσω Thread, αν και επιχειρησιακά σταθερό, παρουσιάζει σημαντικά υψηλότερες καθυστερήσεις (205 ms, p99 = 691 ms). Η κρυπτογράφηση μεταφοράς με έλεγχο πρόσβασης δεν εισάγει μετρήσιμη επιβάρυνση απόδοσης, αλλά δεν εξαλείφει τη διαρροή μεταδεδομένων μέσω του χώρου ονομάτων των καναλιών μηνυμάτων. Η εργασία καταλήγει ότι η πρακτική ασφάλεια και η επίδοση ενός έξυπνου οικιακού περιβάλλοντος δεν προκύπτουν μόνο από το πρωτόκολλο, αλλά από το σύνολο της αρχιτεκτονικής εγκατάστασης.

Abstract 
This thesis investigates the comparative behavior of five communication protocol paths in a real smart home environment: Native Wi-Fi, Zigbee, Matter-over-Wi-Fi, and Matter-over-Thread, all sharing a common MQTT messaging layer across two security stages (Baseline and ACL+TLS). The orchestration platform is Home Assistant OS running on physical hardware with real consumer devices.
The study is structured around three evaluation axes: (a) end-to-end latency and tail behavior, (b) semantic drift — the observation that paths sharing the same topic namespace can exhibit fundamentally different event ordering — and (c) commissioning and lifecycle complexity per technology.
Findings show that Zigbee paths deliver the fastest typical ON responses (median E2E ≈ 54 ms), Matter-over-Wi-Fi is highly competitive (65 ms), while Matter-over-Thread, despite being operationally stable, is substantially slower in this setup (205 ms, p99 = 691 ms). Adding ACL+TLS introduces negligible latency overhead but does not eliminate metadata exposure through the MQTT topic namespace. The thesis concludes that practical smart home security and performance cannot be inferred from protocol specifications alone — they emerge from the combined effect of orchestration architecture, commissioning mechanisms, topic design, and deployment maturity.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Χρυσούλας Κωσταρέλου

με θέμα

Υπερφασματική Απεικόνιση Φθορισμού για την Ποσοτική Χαρτογράφηση της Έκκρισης Δερματικού Σμήγματος

Hyperspectral Fluorescence Imaging for the Quantitative Mapping of Skin Sebum Secretion

Εξεταστική Επιτροπή
Καθηγητής Κωσταντίνος Μπάλας (επιβλέπων)
Καθηγητής Ματτίας Μπούχερ
Καθηγήτρια Αικατερίνη Μανιά

Περίληψη
Το σμήγμα είναι μία πλούσια σε λιπίδια έκκριση των σμηγματογόνων αδένων, η οποία απλώνεται στην επιφάνεια του δέρματος ως λεπτό υμένιο και συμβάλλει στη λειτουργία του δερματικού φραγμού, στην ενυδάτωση, στην αντιμικροβιακή προστασία και στη συνολική εμφάνιση του δέρματος. Η μη φυσιολογική σμηγματογόνος δραστηριότητα συνδέεται με λιπαρότητα, διευρυμένους πόρους, ακμή και απόκριση σε θεραπείες, γεγονός που καθιστά σημαντική την αντικειμενική αξιολόγηση του σμήγματος στη δερματολογία και στην επιστήμη των καλλυντικών. Οι συμβατικές μέθοδοι, όπως οι απορροφητικές μεμβράνες, η μέτρηση με σμηγματόμετρο, η εκχύλιση με διαλύτες, ο πυρηνικός μαγνητικός συντονισμός και η υγρή χρωματογραφία σε συνδυασμό με φασματομετρία μάζας, παρέχουν χρήσιμες πληροφορίες για την ποσότητα, τον ρυθμό έκκρισης ή τη σύσταση του σμήγματος. Ωστόσο, πολλές από αυτές τις μέθοδοι απαιτούν επαφή με το δέρμα, είναι χρονοβόρες ή δίνουν μία μέση τιμή για μια επιλεγμένη περιοχή, με αποτέλεσμα να χάνεται συχνά η τοπική ανομοιογένεια στο επίπεδο των πόρων. Η υπερφασματική απεικόνιση φθορισμού αποτελεί μία υποσχόμενη προσέγγιση για μη επεμβατική χωρική αξιολόγηση, καθώς καταγράφει πληροφορία φθορισμού τόσο ως προς τη θέση όσο και ως προς το μήκος κύματος. Θεωρητικά, αυτό επιτρέπει τη χωριστή ανάλυση των εντοπισμένων φωτεινών περιοχών γύρω από τους πόρους και των σημάτων του υποβάθρου του δέρματος, ενώ μπορεί να υποστηρίξει μελλοντικά τη χαρτογράφηση επιμέρους συστατικών μέσω βαθμονόμησης και φασματικού διαχωρισμού. Παρόλα αυτά, ο φθορισμός του δέρματος δεν είναι ειδικός μόνο για το σμήγμα. Οι πορφυρίνες, ο αυτοφθορισμός της επιδερμίδας, ο φωτισμός, η εστίαση, η σκέδαση και οι συνθήκες λήψης μπορούν επίσης να επηρεάσουν το μετρούμενο σήμα. Για τον λόγο αυτό, τα αποτελέσματα που βασίζονται στον φθορισμό πρέπει να ερμηνεύονται ως περιγραφικά μεγέθη που σχετίζονται με το σμήγμα, εκτός εάν έχουν βαθμονομηθεί με αποδεκτές μεθόδους αναφοράς. Η παρούσα διπλωματική εργασία εξετάζει τις βιολογικές, οπτικές και μετρολογικές βάσεις της αξιολόγησης του σμήγματος και αναπτύσσει μία αναπαραγώγιμη ροή επεξεργασίας εικόνας για την ανάλυση φωτεινών περιοχών φθορισμού σε εικόνες ανθρώπινου δέρματος. Η ροή περιλαμβάνει αξιολόγηση των χρωματικών καναλιών, αυτόματη επιλογή καναλιού, καταστολή υποβάθρου, ανίχνευση φωτεινών περιοχών σε πολλαπλές κλίμακες, φιλτράρισμα και εξαγωγή ποσοτικών περιγραφικών μεγεθών, όπως ο αριθμός φωτεινών περιοχών, η μέση ένταση κάθε περιοχής, η κατανομή έντασης των εικονοστοιχείων και το μέγεθος των περιοχών. Οι εξαγόμενες μετρήσεις αξιολογούνται σε σύγκριση με μετρήσεις αναφοράς από λογισμικό ανάλυσης εικόνας, με στόχο την εκτίμηση της συμφωνίας έντασης και της απόδοσης ανίχνευσης. Τα αποτελέσματα δείχνουν ότι οι δερματοσκοπικές εικόνες φθορισμού μπορούν να μετατραπούν σε αναπαραγώγιμα ποσοτικά περιγραφικά μεγέθη φωτεινών περιοχών, τα οποία διατηρούν τη χωρική πληροφορία και επιτρέπουν τη σύγκριση μεταξύ διαφορετικών ατόμων. Ωστόσο, η παρούσα ροή εργασίας πρέπει να θεωρηθεί ως απόδειξη αρχής προς την ποσοτική χαρτογράφηση του σμήγματος και όχι ως άμεση μέτρηση της απόλυτης μάζας του. Μελλοντική εργασία θα πρέπει να συνδυάσει αντιστοιχισμένες λήψεις υπερφασματικής απεικόνισης φθορισμού με μεθόδους αναφοράς, όπως το σμηγματόμετρο, οι ταινίες συλλογής σμήγματος, ο σταθεροποιημένος ρυθμός έκκρισης σμήγματος, ο πυρηνικός μαγνητικός συντονισμός ή η υγρή χρωματογραφία σε συνδυασμό με φασματομετρία μάζας, ώστε τα περιγραφικά μεγέθη που προκύπτουν από την εικόνα να μετατραπούν σε φυσικά ή βιοχημικά ερμηνεύσιμες μετρήσεις σμήγματος.

Abstract 
Sebum is a lipid rich secretion of the sebaceous glands that spreads over the skin surface as a thin film and contributes to barrier function, hydration, antimicrobial protection and skin appearance. Abnormal sebaceous activity is associated with oily skin, enlarged pores, acne and treatment response making objective sebum assessment important in dermatology and cosmetic science. Conventional methods, such as absorbent films, Sebumeter measurements, solvent extraction, NMR, and LC-MS, provide useful information about sebum quantity, secretion rate or composition. However many of these methods are contact based, time consuming, or provide a single average value over a selected skin area, so local pore level heterogeneity is often lost. Hyperspectral fluorescence imaging (HSFI) offers a promising route toward non-invasive spatial assessment because it records fluorescence information with both spatial and spectral dimensions. In principle this allows follicular hotspot patterns and background tissue signals to be analyzed separately and can support future component mapping through calibration and spectral unmixing. However skin fluorescence is not specific to sebum alone. Porphyrins, epidermal autofluorescence, illumination, focus, scattering, and acquisition conditions can also influence the measured signal. Therefore fluorescence based outputs should be interpreted as sebum associated descriptors unless they are calibrated against accepted reference measurements. This thesis reviews the biological, optical and measurement foundations of sebum assessment and develops a reproducible image processing workflow for fluorescence hotspot analysis in human skin images. The workflow includes RGB channel evaluation, automatic channel selection, background suppression, multiscale hotspot detection, filtering, and extraction of quantitative descriptors such as hotspot count, mean spot intensity, pixel intensity distribution and hotspot size. The extracted measurements are evaluated against ImageJ based reference measurements to assess intensity agreement and detection performance. The results show that dermoscopic fluorescence images can be transformed into reproducible quantitative hotspot descriptors that preserve spatial information and allow comparison between subjects. Nevertheless the current workflow should be considered a proof of concept step toward quantitative sebum mapping rather than a direct measurement of absolute sebum mass. Future work should combine matched HSFI acquisitions with reference methods such as Sebumeter, Sebutape, SRSE, NMR or LC-MS to calibrate image derived descriptors into physically or biochemically meaningful sebum metrics.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Αλεξάνδρου Νικολάου Κουφούδη

με θέμα
Προσομοίωση και Αξιολόγηση Λειτουργίας Ηλεκτρικού Οχήματος με Ενσωματωμένο Φωτοβολταϊκό Σύστημα σε Simulink/Matlab

Simulation and Evaluation of Electric Vehicle Operation with Integrated Photovoltaic System in Simulink/Matlab

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

Περίληψη
Τα ηλεκτρικά οχήματα αποκτούν ολοένα και μεγαλύτερη σημασία στη μετάβαση προς καθαρότερες μεταφορές. Ωστόσο, η ευρύτερη υιοθέτησή τους εξακολουθεί να επηρεάζεται από περιορισμούς, όπως η διαθεσιμότητα των υποδομών φόρτισης, ο απαιτούμενος χρόνος φόρτισης και η ενεργειακή χωρητικότητα της μπαταρίας. Σε αυτό το πλαίσιο, τα φωτοβολταϊκά συστήματα που ενσωματώνονται σε οχήματα μπορούν να προσφέρουν πρόσθετη ενέργεια, συμβάλλοντας στην αύξηση της αυτονομίας ενός ηλεκτρικού οχήματος, στη μείωση του κόστους φόρτισης, στην επιμήκυνση της διάρκειας ζωής της μπαταρίας και στην αξιοποίηση επιφανειών του οχήματος που διαφορετικά θα παρέμεναν ανεκμετάλλευτες.
Η παρούσα διπλωματική εργασία παρουσιάζει τη μοντελοποίηση και προσομοίωση ενός ηλεκτρικού οχήματος με φωτοβολταϊκή υποβοήθηση στο περιβάλλον MATLAB/Simulink. Η φωτοβολταϊκή συστοιχία συνδέεται στον DC ζυγό υψηλής τάσης μέσω ενός DC-DC μετατροπέα ανύψωσης τάσης, ενώ εφαρμόζεται τεχνική MPPT, ώστε να αξιοποιείται η μέγιστη διαθέσιμη ηλιακή ενέργεια. Παράλληλα, μία συστοιχία μπαταριών ιόντων λιθίου συνδέεται στον ίδιο DC ζυγό μέσω αμφίδρομου DC-DC μετατροπέα, επιτρέποντας τη ροή ενέργειας και προς τις δύο κατευθύνσεις, δηλαδή τόσο κατά τη φόρτιση όσο και κατά την εκφόρτιση, καθώς και την ανάκτηση ενέργειας κατά την αναγεννητική πέδηση. Για την ασφαλή λειτουργία του συστήματος, λαμβάνεται επίσης υπόψη η κατάσταση φόρτισης της μπαταρίας, ώστε αυτή να παραμένει εντός προκαθορισμένων ορίων.
Στον ίδιο DC ζυγό συνδέεται και το υποσύστημα κίνησης, μέσω αντιστροφέα, ενώ ο ηλεκτροκινητήρας ελέγχεται με διανυσματικό έλεγχο πεδίου. Με αυτόν τον τρόπο επιτυγχάνεται ακριβής παρακολούθηση της ταχύτητας αναφοράς και σταθερή λειτουργία τόσο σε λειτουργία κίνησης όσο και σε λειτουργία αναγεννητικής πέδησης. Τα αποτελέσματα της προσομοίωσης δείχνουν ότι το προτεινόμενο σύστημα λειτουργεί όπως αναμένεται στα εξεταζόμενα σενάρια οδήγησης. Η τάση του DC ζυγού διατηρείται σταθερή γύρω από τα 500 V, ενώ η απαιτούμενη ισχύς του συστήματος κίνησης καλύπτεται από το φωτοβολταϊκό σύστημα και την μπαταρία, ανάλογα με τη διαθέσιμη ηλιακή ενέργεια και τις συνθήκες οδήγησης. Όταν υπάρχει διαθέσιμη φωτοβολταϊκή ισχύς, η συνεισφορά της μπαταρίας μειώνεται, ενώ η κατάσταση φόρτισής της παραμένει εντός των προκαθορισμένων ορίων.

Abstract
Electric vehicles have become increasingly important in the transition toward cleaner transportation, but their wider adoption is still affected by limitations such as charging infrastructure availability, charging time, and battery energy capacity. In this context, vehicle integrated photovoltaic (VIPV) systems can provide additional energy to help increase the driving distance of an EV, lower charging costs, extend the life of the battery and take advantage of unused surfaces on the car for energy generation. 
This thesis demonstrates a modeled and simulated PV augmented electric vehicle using MATLAB/Simulink. A PV array is connected to the high voltage DC-bus using a Boost DC-DC converter and an MPPT control technique is used to provide the maximum amount of solar energy to the electric vehicle. A lithium-ion battery pack is connected to the same high voltage DC-bus through a bidirectional DC-DC converter in order to allow energy to flow in both directions (charging and discharging), while allowing for energy recovery during regenerative braking. A state of charge (SOC) management approach has been included into the operation of the system so that it will operate safely within the defined limits. In the same DC-bus the traction subsystem is also connected through a voltage-source inverter (VSI) and controlled using field-oriented control (FOC) to achieve accurate speed tracking and stable operation across motoring and regenerative modes. The simulation results show that the proposed system operates as intended under the examined driving scenarios. The DC-bus remains stable around 500 V, while the power demand of the traction drive is supplied by the PV system and the battery according to the available solar energy and driving conditions. Battery contribution is reduced when PV power is available and the SOC is kept within the defined limits.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Σοφίας Γαλανομάτη

με θέμα
Παραδοσιακές και Βαθιάς Μηχανικής Μάθησης Αρχιτεκτονικές για την Κατάτμηση Εικόνας και Εφαρμογές στο Γεωεντοπισμό
Traditional and Deep Learning Architectures for Image Segmentation and Applications on Geo-localizations

Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης
Δρ Ευφροσύνη Δούτση (ΙΤΕ)

Περίληψη
Η επεξεργασία εικόνων αποτελεί βασικό κλάδο στο πεδίο της υπολογιστικής όρασης. Καθώς ο όγκος των οπτικών δεδομένων συνεχίζει να αυξάνεται ραγδαία σε τομείς όπως η ιατρική απεικόνιση και η αυτόνομη πλοήγηση, αυξάνεται και η ζήτηση για ισχυρές και αποτελεσματικές μεθόδους επεξεργασίας εικόνας. Η επεξεργασία εικόνας περιλαμβάνει τεχνικές οι οποίες στοχεύουν στη βελτίωση της ποιότητας της εικόνας, στην εξαγωγή σχετικών χαρακτηριστικών και στην ενεργοποίηση της αυτοματοποιημένης λήψης αποφάσεων. Η κατάτμηση εικόνας αποτελεί βασική μέθοδο επεξεργασίας εικόνας. Με την κατάτμηση εικόνας επιτυγχάνεται ο διαχωρισμός της εικόνας σε διακριτές, ομοιογενείς περιοχές που αντιστοιχούν σε συγκεκριμένα αντικείμενα ή περιοχές ενδιαφέροντος. Καθώς είναι τεχνική της οποίας η ύπαρξη υφίσταται αρκετά χρόνια κι είναι ευρύτερα διαδεδομένη, έχουν αναπτυχθεί διαφορετικοί μέθοδοι με τις οποίες μπορεί να υλοποιηθεί. Στις μέρες μας, επιτυγχάνεται είτε με παραδοσιακές μεθόδους είτε με τη χρήση βαθιάς μηχανικής μάθησης και νευρωνικών δικτύων. Πρόκειται για τεχνική η οποία έχει εφαρμογές σε διάφορους τομείς. Για παράδειγμα, μέσω αυτής μπορεί να πραγματοποιηθεί η αναγνώριση ενός προσώπου, να πραγματοποιηθεί αναζήτηση βάσει του περιεχομένου της, να δημιουργηθούν αυτόνομα αυτοκίνητα και έξυπνες πόλεις. Δύο από τις πιο κρίσιμες εφαρμογές είναι ο γεωεντοπισμός εικόνας -ο προσδιορισμός της πραγματικής θέσης της εικόνας- και η τμηματοποίηση του τοπίου, η οποία περιλαμβάνει τον εντοπισμό και την οριοθέτηση διαφορετικών τύπων κάλυψης γης, όπως δάση και κατοικημένες περιοχές. Ο σκοπός της έρευνας διαχωρίζεται σε τρία κυρίως μέρη. Στο πρώτο μέρος γίνεται επισκόπηση κι ανάλυση ορισμένων παραδοσιακών τεχνικών κατάτμησης εικόνας, όπως είναι η κατάτμηση βάσει κατωφλίου. Το δεύτερο μέρος αφορά στις πιο σύγχρονες τεχνικές κατάτμησης εικόνας, οι οποίες βασίζονται σε αλγορίθμους μηχανικής ή βαθιάς μηχανικής μάθησης. Στο τρίτο μέρος αναλύεται η εφαρμογή των μεθόδων αυτών στο γεωεντοπισμό.

Abstract 
Image processing is a basic discipline in the field of computer vision. As the volume of visual data continues to grow rapidly across domains such as medical imaging and autonomous navigation, the demand for robust and efficient image processing methods is also increasing. Image processing includes techniques which aim at enhancing image quality, extracting relevant features, and enabling automated decision-making. Image segmentation constitutes a basic method of image processing. Image segmentation achieves the separation of the image into distinct, homogeneous areas that correspond to specific objects or areas of interest. As it is a technique that has been around for several years and is more widespread, different methods have been developed with which it can be implemented. Nowadays, it is achieved either with traditional methods or with the use of deep machine learning and neural networks. This is a technique that has applications in various fields. For example, it can be used to recognize a person, search based on their content, create autonomous cars and smart cities. Two of the most critical applications are image geolocalization -the determination of the actual location of an image- and landscape segmentation, which involves identifying and demarcating different types of land cover, such as forests and residential areas. The purpose of the research is divided into three main parts. The first part provides an overview and analysis of some traditional image segmentation techniques, such as threshold-based segmentation. The second part deals with the most modern image segmentation techniques, which are based on machine learning or deep machine learning algorithms. The third part analyzes the application of these methods on geolocalization.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ένρι Αγιάζι

με θέμα
Μεταβατική Συμπεριφορά Μοντέλων Γειώσεων
Transient Behavior of Grounding Systems

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

Περίληψη
Η συνεχής αύξηση της ζήτησης ενέργειας, σε συνδυασμό με την πλήρη εξάρτηση του ανθρώπινου πολιτισμού στην ηλεκτρική ενέργεια καθιστά ολοένα και πιο σημαντική την αξιόπιστη και αδιάλειπτη λειτουργία των μονάδων παραγωγής ηλεκτρικής ενέργειας. Επιπλέον, η ταυτόχρονη ανάγκη για την παραγωγή ενέργειας, σε μια εποχή που μας απασχολεί το πρόβλημα της κλιματικής κρίσης, έχει οδηγήσει πολλούς επιστήμονες και μηχανικούς στην αναζήτηση εναλλακτικών μορφών παραγωγής ηλεκτρικής ενέργειας. Οι πιο διαδεδομένες εναλλακτικές, είναι η μετατροπή της αιολικής και ηλιακής ενέργειας σε ηλεκτρική, μέσα από τις ανεμογεννήτριες και αντίστοιχα από τα φωτοβολταϊκά στοιχεία. Στις περισσότερες περιπτώσεις οι μονάδες αυτές βρίσκονται σε απομακρυσμένες περιοχές και είναι εκτεθειμένες σε ακραία καιρικά φαινόμενα. Για τον λόγο αυτό, είναι εξαιρετικής σημασίας η προστασία τους από κεραυνικά πλήγματα ή βραχυκυκλώματα ή οποιαδήποτε διακοπή της εγκατάστασης είτε για λόγους συντήρησης είτε σφάλματος του δικτύου. Aυτο οποίο επιτυγχάνεται με τον σωστό σχεδιασμό του συστήματος γείωσης. 
Ο σωστός σχεδιασμός του συστήματος γείωσης είναι κρίσιμος για την ασφαλή όδευση και εξουδετέρωση των ρευμάτων σφάλματος από την εγκατάσταση προς την γη. Στην παρούσα διπλωματική εργασία μελετάται η μεταβατική συμπεριφορά απλών συστημάτων γείωσης, και στην συνέχεια το σύστημα γείωσης ενός αιολικού πάρκου. Η ανάλυση της μεταβατικής συμπεριφοράς των συστημάτων γείωσης γίνεται μέσω διαφορετικών μοντέλων και προσφέρει σημαντικές πληροφορίες για την ποιότητα και την αξιοπιστία του. Για παράδειγμα την μεταβολή της αντίστασης γείωσης σε συνάρτηση της συχνότητας, τις υπερτάσεις που αναπτύσσονται στην επιφάνεια τους εδάφους (βηματικές τάσεις) καθώς και οι επαγόμενες τάσεις στα διπλανά μεταλλικά αντικείμενα (τάσεις επαφής). Η ανάλυση πραγματοποιείται με την χρήση του προγράμματος εξομοίωσης κυκλωμάτων ATP -EMTP. Πολλαπλά μοντέλα έχουν προταθεί από την βιβλιογραφία, τα οποία εξετάζονται και συγκρίνονται μεταξύ τους. Τέλος, το καταλληλότερο μοντέλο επιλέγεται για την προσομοίωση ενός συστήματος γείωσης υπό διαφορετικές συνθήκες εδάφους αρχικά για μια ανεμογεννήτρια και στην συνέχεια για ένα αιολικό πάρκο με 23 ανεμογεννήτριες, υπό κυματομορφές κλάσης I του πρότυπου IEC 62305-1.

Abstract 
The constant raise of energy demand, combined with the complete dependence of human civilization on electricity, makes the reliable and uninterrupted operation of electrical power plans increasingly important. Furthermore, the simultaneous need for energy, at a time when we are concerned about the climate crisis problem, has led more scientists and engineers to search for alternative ways of electricity production. The most widespread alternatives of alternatives are the conversion of wind and solar energy into electricity, through wind turbines and photovoltaic cells, respectively. In most cases, these units are in remote areas and are exposed to extreme weather conditions, such as lightings strikes. For this reason, it is of utmost importance to protect them from lighting strikes or short circuits faults or any interruption of the installation, whether for maintenance reasons or network faults, which is achieved by properly designing the grounding system.
The proper design of the grounding system is crucial for safe routing and neutralization of fault currents from an installation into the earth. In this thesis, the transient behaviour of simple grounding systems is investigated followed by the analysis of the grounding system of a wind park. The analysis for the transient behaviour of grounding systems is done through different models and offers important information about its quality and reliability. For example, the variation of the grounding resistance as a function of frequency, known as grounding impedance, the over voltages that develop on the ground surface (step voltages) as well as the induced voltages in adjacent metal objects (contact voltages). The analysis is carried out using the ATP-EMTP circuit simulation program. Various grounding models proposed in the literature are examined and compared, to select the most suitable one for the scope of this work. The selected model is then applied to the simulation of a wind turbine grounding system followed by the simulation of a 23-wind generator park using class I waveforms of IEC 62305-1.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Κωνσταντίνου Πατεράκη

με θέμα

Πειραματική Διερεύνηση και Μοντελοποίηση Διάταξης Προστασίας από Υπερτάσεις σε Φορτιστές Ηλεκτρικών Οχημάτων
Experimental Investigation and Modelling of SPD in Electric Vehicle Chargers

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

Περίληψη
Η ταχεία ανάπτυξη της ηλεκτροκίνησης έχει οδηγήσει σε αυξανόμενη ζήτηση για υποδομές φόρτισης ηλεκτρικών οχημάτων. Καθώς οι φορτιστές ηλεκτρικών οχημάτων εγκαθίστανται ολοένα και περισσότερο σε οικιακούς, εμπορικούς και δημόσιους χώρους, η αξιόπιστη και ασφαλής λειτουργία τους αποτελεί σημαντική απαίτηση για τις σύγχρονες ηλεκτρικές εγκαταστάσεις. Δεδομένου ότι οι φορτιστές ηλεκτρικών οχημάτων περιλαμβάνουν ευαίσθητα ηλεκτρονικά, ενδέχεται να εκτεθούν σε μεταβατικές υπερτάσεις που προκαλούνται από κεραυνική δραστηριότητα, διακοπτικούς χειρισμούς και άλλες ηλεκτρικές διαταραχές. Για τον λόγο αυτό, οι διατάξεις προστασίας από υπερτάσεις είναι απαραίτητες για τη μείωση της ηλεκτρικής καταπόνησης που επιβάλλεται στον φορτιστή και για τη βελτίωση της αξιοπιστίας της εγκατάστασης. Η παρούσα διπλωματική εργασία περιλαμβάνει τόσο πειραματική διερεύνηση όσο και μοντελοποίηση μιας τέτοιας προστατευτικής συσκευής, η οποία χρησιμοποιείται σε εγκαταστάσεις φόρτισης ηλεκτρικών οχημάτων.
Το πειραματικό μέρος της εργασίας εξετάζει τη μεταβατική συμπεριφορά της προστατευτικής συσκευής υπό τυποποιημένες κρουστικές κυματομορφές τάσης και ρεύματος. Οι δοκιμές πραγματοποιήθηκαν με διαφορετικές συνδεσμολογίες, ώστε να εξεταστεί η απόκρισή της υπό κρουστικές συνθήκες. Επιπλέον, η ίδια συσκευή διερευνήθηκε πειραματικά ως μέρος του συστήματος προστασίας ενός φορτιστή ηλεκτρικού οχήματος, με στόχο την αξιολόγηση της συμπεριφοράς της πλήρους συνδεσμολογίας υπό κρουστική καταπόνηση.
Στο μέρος της μοντελοποίησης αναπτύσσεται ένα ισοδύναμο κυκλωματικό μοντέλο της προστατευτικής συσκευής στο ATP-EMTP. Το μοντέλο βασίζεται στην εσωτερική τοπολογία της συγκεκριμένης συσκευής και περιλαμβάνει αναπαραστάσεις τόσο των μεταλλοξειδικών βαρίστορ όσο και των σπινθηριστών αερίου που χρησιμοποιούνται ως προστατευτικά στοιχεία. Το προτεινόμενο μοντέλο επικυρώθηκε μέσω συγκρίσεων μεταξύ προσομοιωμένων και πειραματικών κυματομορφών τάσης και ρεύματος.
Συνολικά, η διπλωματική εργασία συμβάλλει στην ανάλυση της μεταβατικής συμπεριφοράς των διατάξεων προστασίας από υπερτάσεις και της απόδοσης της προστασίας έναντι υπερτάσεων σε εγκαταστάσεις φόρτισης ηλεκτρικών οχημάτων, μέσω μιας συνδυασμένης πειραματικής και υπολογιστικής προσέγγισης.

Abstract 
The rapid growth of electric mobility has led to an increasing demand for electric vehicle charging infrastructure. As electric vehicle chargers become more widely installed in residential, commercial and public locations, their reliable and safe operation becomes an important requirement for modern electrical installations. Since EV chargers include sensitive power electronic components, they may be exposed to transient overvoltages caused by lightning activity, switching operations and other electrical disturbances. For this reason, surge protective devices (SPDs) are essential for reducing the electrical stress imposed on the charger and improving the reliability of the installation. This diploma thesis includes both experimental work and modeling of an SPD used for the protection of electric vehicle charger installations.
The experimental part of this work examines the transient behavior of the SPD under standard impulse voltage and current waveforms. The tests were performed with different connection configurations, to examine the response of the device under impulse conditions. In addition, the same SPD was experimentally investigated as part of the protection system of an electric vehicle charger, to assess the behavior of the complete connection arrangement under impulse stress.
The modeling part of this work develops an equivalent circuit model of the SPD in ATP-EMTP. The model is based on the internal topology of the specific device and includes representations of both metal oxide varistor and gas discharge tube protective elements. The proposed model was validated through comparisons between simulated and experimental voltage and current waveforms.
Overall, the thesis contributes to the analysis of SPD transient behavior and surge protection performance in electric vehicle charger installations through a combined experimental and simulation approach.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Μάριου Μανωλιά 

με θέμα
Ανάπτυξη Ψηφιακού Διδύμου Φωτοβολταϊκού Μετατροπέα DC/DC σε Αναδιατασσόμενη Λογική
Development of the Digital Twin of a Photovoltaic DC/DC Converter in Reconfigurable Logic

Εξεταστική Επιτροπή
Καθηγητής Ευτύχιος Κουτρούλης (Επιβλέπων)
Επίκουρος Καθηγητής Γεώργιος Πέππας
Καθηγητής Σωτήριος Ιωαννίδης

Περίληψη
Καθώς πραγματοποιείται η ενεργειακή μετάβαση σε Ανανεώσιμες Πηγές Ενέργειας (ΑΠΕ), τα ηλεκτρονικά ισχύος που τις υποστηρίζουν πρέπει να λειτουργούν αποδοτικά και αξιόπιστα, επιτρέποντας παράλληλα ανίχνευση βλαβών και αποκλίσεων από την αναμενόμενη λειτουργία. Η παρούσα διπλωματική εργασία παρουσιάζει την ανάπτυξη ενός ψηφιακού διδύμου πραγματικού χρόνου για έναν φωτοβολταϊκό (Φ/Β) μετατροπέα ανύψωσης τάσης (DC-DC Boost converter), υλοποιημένου σε FPGA. Το ψηφιακό δίδυμο εκτελείται παράλληλα με το πραγματικό σύστημα και λειτουργεί ως ενσωματωμένη αναφορά της αναμενόμενης συμπεριφοράς, επιτρέποντας συνεχή παρακολούθηση και ανίχνευση ανωμαλιών με πολύ μικρή καθυστέρηση, χωρίς εξάρτηση από υποδομές υπολογιστικού νέφους. Αρχικά αναπτύσσεται και επιβεβαιώνεται το μοντέλο μετατροπέα και ελεγκτή στο MATLAB/Simulink, μετασχηματίζεται σε διακριτό χρόνο και στη συνέχεια υλοποιείται σε πλακέτα Intel MAX10 μέσω σύνθεσης στο Quartus. Η πειραματική αξιολόγηση δείχνει ότι το ψηφιακό δίδυμο αναπαράγει με ακρίβεια τη δυναμική του μετατροπέα σε τυπικές συνθήκες, ενώ οι αποκλίσεις διδύμου–συστήματος παρέχουν πληροφορία χρήσιμη για παρακολούθηση κατάστασης, ανίχνευση βλαβών και μελλοντικές επεκτάσεις σε προηγμένο έλεγχο και διάγνωση.
Λέξεις-Κλειδιά: Ψηφιακό δίδυμο, Φωτοβολταϊκά (Φ/Β), Μετατροπέας ανύψωσης τάσης (Boost) DC/DC, Αναδιατασσόμενη λογική, Κλειστός βρόχος ελέγχου

Abstract 
As the energy transition toward renewable energy sources progresses, the power electronics that support them must operate efficiently and reliably while enabling rapid detection of faults and deviations from expected performance. This thesis presents the development of a real-time digital twin for a photovoltaic (PV) DC–DC Boost converter, implemented on an FPGA. The digital twin runs in parallel with the physical system and acts as an embedded reference of the expected behavior, enabling continuous monitoring and low-latency anomaly detection without relying on cloud computing infrastructure. First, a detailed converter-and-controller model is developed and validated in MATLAB/Simulink, transformed into a discrete-time form, and then implemented on an Intel MAX10 development board through synthesis in Intel Quartus. Validation through FPGA-in-the-Loop co-simulation shows that the FPGA-based digital twin accurately reproduces the converter dynamics under typical operating conditions. Deviations between the digital twin and the physical system provide information that is useful for condition monitoring, fault detection, and future extensions toward advanced control and diagnostics.
Keywords: Digital Twin, Photovoltaic (PV), Boost DC/DC Converter, FPGA, FPGA-in-the-Loop

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Βασιλικής Νέτσιου

με θέμα
Ομοσπονδιακή Μάθηση και Αυτοματοποίηση Ροών Εργασίας CEP/CEF μέσω Τελεστών του RapidMiner Studio
Federated Learning and CEP/CEF Workflow Automation through RapidMiner Studio Operators

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

Περίληψη
Η αυξανόμενη πολυπλοκότητα των κατανεμημένων συστημάτων επεξεργασίας ροών δεδομένων, σε συνδυασμό με την ανάγκη για μηχανική μάθηση με διαφύλαξη της ιδιωτικότητας, δημιουργεί σημαντικές προκλήσεις στη διαμόρφωση και ενορχήστρωση ετερογενών τεχνολογιών. Το Federated Learning επιτρέπει την εκπαίδευση μοντέλων σε κατανεμημένους κόμβους χωρίς τη συγκέντρωση των πρωτογενών δεδομένων, ενώ οι τεχνικές Complex Event Processing/Forecasting (CEP/CEF) επιτρέπουν την αναγνώριση και πρόβλεψη σύνθετων γεγονότων σε πραγματικό χρόνο. Ωστόσο, η ενσωμάτωση αυτών των προσεγγίσεων σε υποδομές streaming απαιτεί συνήθως χειροκίνητη παραμετροποίηση, εξειδικευμένες τεχνικές γνώσεις και άμεση αλληλεπίδραση με τη γραμμή εντολών.
Η παρούσα διπλωματική εργασία αντιμετωπίζει αυτές τις προκλήσεις μέσω της ανάπτυξης custom operators για το RapidMiner Studio, μια οπτική πλατφόρμα μηχανικής μάθησης. Οι τελεστές επιτρέπουν στους χρήστες να διαμορφώνουν οπτικά πειράματα federated learning και να ενσωματώνουν μηχανή CEP/CEF σε κατανεμημένες ροές εργασίας streaming, μειώνοντας την ανάγκη για χειροκίνητη παραμετροποίηση χαμηλού επιπέδου. Η προτεινόμενη αρχιτεκτονική διαχωρίζει το επίπεδο ελέγχου από το επίπεδο επεξεργασίας δεδομένων, επιτρέποντας τον σχεδιασμό και την εκτέλεση σύνθετων ροών εργασίας μέσω οπτικού περιβάλλοντος, ενώ παραμένουν διαθέσιμες ρυθμίσεις που εξαρτώνται από την εκάστοτε υποδομή, όπως οι Kafka brokers, οι απομακρυσμένες διαδρομές αρχείων και τα SSH credentials.
Η πειραματική αξιολόγηση επιβεβαίωσε ότι η προτεινόμενη προσέγγιση απλοποιεί επιτυχώς την ενορχήστρωση κατανεμημένων συστημάτων streaming μέσω οπτικού περιβάλλοντος.
Abstract 
The increasing complexity of distributed data stream processing systems, combined with the need for privacy-preserving machine learning, creates significant challenges in configuring and orchestrating heterogeneous technologies. Federated Learning enables model training across distributed nodes without centralizing raw data, while Complex Event Processing and Forecasting (CEP/CEF) techniques allow real-time pattern recognition and prediction over event streams. However, integrating these approaches into streaming infrastructures typically requires manual configuration, specialized technical knowledge, and direct interaction with command-line interfaces.
This diploma thesis addresses these challenges through the development of custom operators for RapidMiner Studio, a visual machine learning platform. The operators allow users to visually configure federated learning experiments and to integrate a CEP/CEF engine into distributed streaming pipelines, reducing the amount of manual low-level configuration required. The proposed architecture separates the control layer from the data processing layer, enabling the design and execution of complex streaming workflows through a drag-and-drop environment while still exposing deployment-specific settings such as Kafka brokers, remote paths, and SSH credentials when needed.
The experimental evaluation confirmed that the proposed approach successfully simplifies the orchestration of distributed streaming systems through a visual environment.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ελεονόρας Τσόμη

με θέμα
Υλοποίηση του OmniSketch στο  Apache Flink  
Implementation of OmniSketch in Apache Flink

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

Περίληψη
Είναι γνωστό ότι ο όγκος των δεδομένων που παράγονται καθημερινά από οποιαδήποτε εφαρμογή αυξάνεται ραγδαία, με αποτέλεσμα να δημιουργείται άμεση ζήτηση για πλαίσια επεξεργασίας ροών σε πραγματικό χρόνο. Η παρούσα εργασία διερευνά την ενσωμάτωση του OmniSketch στο Apache Flink, με σκοπό την αξιοποίηση του δυναμικού του για την παράλληλη επεξεργασία σε κατανεμημένα συστήματα. Ο πρωταρχικός στόχος είναι η επίτευξη βαθμού παραλληλισμού μέσω της ενσωμάτωσης του OmniSketch στο Synopsis Data Engine (SDE). Η διαδικασία ενσωμάτωσης αξιοποίησε τις δυνατότητες κατανεμημένης επεξεργασίας του Flink για την αποτελεσματική διαχείριση ροών δεδομένων μεγάλης κλίμακας. Επιπλέον, πραγματοποιήθηκαν τροποποιήσεις, από την πλευρά μας, στον αλγόριθμο του OmniSketch προκειμένου να καταστεί δυνατή η λειτουργία του παράλληλο επίπεδο, ενισχύοντας τόσο την αποτελεσματικότητα της σύνοψης όσο και της εκτέλεσης της.

Abstract 
It is known that the amount of data generated every day by any application is rapidly growing, resulting in an immediate demand for real-time stream processing frameworks. This work explores the integration of OmniSketch within Apache Flink to leverage its potential for parallel processing
in distributed systems. The primary objective is to achieve a degree of parallelism greater than one by embedding OmniSketch into the Synopsis Data Engine (SDE) framework. The integration process utilized Flink’s distributed processing capabilities to efficiently handle large-scale data streams. Additionally, modifications, from our part, to the OmniSketch algorithm were made to enable its operation
in parallel, enhancing both summarization and execution efficiency.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ιωάννας Μαρίνου

με θέμα
Χρήση Μεγάλων Γλωσσικών Μοντέλων για Ανάπτυξη Γεννήτριας Συνόλων Δεδομένων για Οικοσυστήματα Έξυπνων Δικτύων με Ηλεκτρικά Οχήματα
An LLM-Based Dataset Generator for Smart Grid Ecosystems Populated with Electric Vehicles

Εξεταστική Επιτροπή
Καθηγητής Γεώργιος Χαλκιαδάκης (επιβλέπων)
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς
Καθηγητής Φώτιος Κανέλλος (ΠΚ, Σχολή ΜΠΔ)

Περίληψη
Τα ρεαλιστικά σύνολα δεδομένων διαδρομών και φόρτισης ηλεκτρικών οχημάτων (EV) είναι απαραίτητα για τον σχεδιασμό ευφυών δικτύων ενέργειας, ωστόσο τα πραγματικά δεδομένα παραμένουν δυσεύρετα, εξαρτόμενα από την τοποθεσία και δύσκολα γενικεύσιμα. Στην παρούσα εργασία, παρουσιάζουμε ένα πολυπρακτορικό σύστημα που αξιοποιεί Μεγάλα Γλωσσικά Μοντέλα (LLMs) για τη δημιουργία συνθετικών συνόλων δεδομένων EV χρησιμοποιώντας τις ελάχιστες δυνατές πληροφορίες ως είσοδο και χωρίς πρόσβαση σε πραγματικά δεδομένα για εκπαίδευση. Το πλαίσιο αποτελείται από τέσσερις εξειδικευμένους πράκτορες οργανωμένους σε μια σειριακή δομή επεξεργασίας: έρευνα σεναρίου μέσω αναζήτησης στο διαδίκτυο, σχεδιασμό αρχετύπων συμπεριφοράς, κατανομή πληθυσμού και σταδιακή παραγωγή γεγονότων. Κάθε στάδιο είναι συνδεδεμένο με έναν ντετερμινιστικό βρόχο επικύρωσης και ανατροφοδότησης. Αξιολογούμε το πλαίσιο σε τρία γεωγραφικά πλαίσια και με τρία διαφορετικά LLMs χρησιμοποιώντας συσχετίσεις Spearman, Ολική Απόσταση Μεταβολής (TVD) και απόσταση Manhattan, διαπιστώνοντας ότι και οι τέσσερις συσχετίσεις Spearman είναι θετικές και στατιστικά σημαντικές (ρ ∈ [0.572, 0.835], p < 0.01) και ότι τα παραγόμενα δεδομένα επιτυγχάνουν 75% κατανεμητική επικάλυψη με πραγματικές παρατηρήσεις (TVD 0.249). Σε 38 πειράματα εντοπίζουμε κατανεμητικές αποκλίσεις και θεμελιώνουμε ένα κεντρικό συμπέρασμα: οι προτροπές και ο σχεδιασμός αρχετύπων διέπουν αποτελεσματικά τον χρονισμό των διαδρομών, υστερούν όμως ως προς την κατανομή του αριθμού τους και αποτυγχάνουν σε μεγάλο βαθμό να ελέγξουν τις κατανομές φόρτισης, τόσο ως προς τον χρονισμό όσο και ως προς τη συχνότητα. Καταλήγουμε ότι η παραγωγή μέσω LLM συμπληρώνει τις στατιστικές μεθόδους, αλλά δεν τις αντικαθιστά, προσφέροντας προσαρμοστικότητα σε περιπτώσεις όπου δεν υπάρχουν διαθέσιμα πραγματικά δεδομένα.

Abstract 
Realistic electric vehicle (EV) trip and charging datasets are essential for smart grid planning, yet real-world data remains scarce, location-specific, and difficult to generalise. In this work, we present a multiagent framework that employs Large Language Models (LLMs) to generate synthetic EV datasets from minimal input, without access to ground-truth training data. The framework consists of four specialised agents arranged in a staged pipeline - scenario research via web search, behavioural archetype design, population distribution assignment, and incremental event generation - each coupled with a deterministic validation feedback loop. We evaluate our framework across three geographic contexts and three LLMs using Spearman rank correlations, Total Variation Distance (TVD), and Manhattan distance, finding that all four Spearman correlations are positive and statistically significant (ρ ∈ [0.572, 0.835], p < 0.01) and that the generated data achieves 75% distributional overlap with real-world observations (TVD 0.249). In 38 experiments we identify distributional biases that resist prompt engineering, and establish a central finding: prompts and archetype design together effectively govern trip timing, but fall short for trip-count distribution and largely fail to control charging distributions, both timing and frequency. We conclude that LLM-based generation complements, rather than replaces, statistical methods, offering scenario adaptability where ground-truth data is unavailable.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Αθανασίου Μπούτα

με θέμα
ETL σε Ροές Δεδομένων χρησιμοποιώντας το Apache Flink
Streaming ETL using Apache Flink

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

Περίληψη
Η παρούσα διπλωματική εργασία παρουσιάζει την ανάπτυξη ενός συστήματος ETL για την επεξεργασία και αποθήκευση δεδομένων που προέρχονται από ένα δίκτυο αισθητήρων, σε πραγματικό χρόνο. Στο σύστημα που αναπτύχθηκε οι χρήστες μπορούν να αποστείλουν ερωτήματα(Queries)  σε μορφή Json αρχείου ως προς την εισερχόμενη ροή. H ανάπτυξη έγινε με την χρήση της κατανεμημένης μηχανής Flink. Τα ερωτήματα κατατίθενται μέσω ενός REST API που αναπτύχθηκε σχετικά, ενώ υποστηρίζονται μετασχηματισμοί συνάθροισης αλλά και μετασχηματισμοί σε single elements. Το σύστημα μας προσφέρει την δυνατότητα πολλαπλών υποβολών αρχείων χωρίς να χρειάζεται να επανεκκινήσει το job. Η αξιολόγηση του συστήματος μας  πραγματοποιήθηκε στον SoftNet Cluster του Πολυτεχνείου Κρήτης. Εκεί μελετήθηκε σε batch προσέγγιση, η επίδραση των επιπέδων παραλληλισμού του Flink, η επίδρασή του πλήθους των δεδομένων εισόδου αλλά και του αριθμού των αρχείων που υποβάλλονται από τους χρήστες.  Τα αποτελέσματα επιβεβαιώνουν ότι η επεξεργασία παραμένει σταθερή ανά εγγραφή ανεξαρτήτως του όγκου των δεδομένων, ενώ ο χρόνος επεξεργασίας μειώνεται με την αύξηση των επιπέδων του παραλληλισμού.

Abstract 
This thesis presents the development of an ETL system for the real-time processing and storage of data originating from a sensor network. The developed system enables users to submit queries in the form of JSON files over the incoming data stream. The implementation was carried out using the distributed processing engine Apache Flink. Queries are submitted through a dedicated REST API, while the system supports both aggregation transformations and single-element transformations. Furthermore, the system provides the capability of handling multiple query file submissions without requiring a job restart. The evaluation of the system was conducted on the SoftNet Cluster of the Technical University of Crete. Using a batch-processing approach, we investigated the impact of Flink's parallelism levels, the volume of input data, and the number of query files submitted by users. The results confirm that the processing cost per record remains stable regardless of data volume, while the overall processing time decreases as the level of parallelism increases.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ιωάννη Εμμανουηλίδη 

με θέμα

Υλοποίηση ενός Ακριβούς, Αντιστρέψιμου και Συγχωνεύσιμου Σκίτσου για την Ανίχνευση Υπερ-διαμοιραστών στο Apache Flink 
Implementation of an Accurate, Invertible, and Mergeable Sketch for Online Super Spreader Detection on Apache Flink

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

Περίληψη
Η συνεχής επέκταση των περιβαλλόντων ροών δεδομένων απαιτεί τεχνικές επεξεργασίας οι οποίες είναι αυστηρά οριοθετημένες τόσο σε χώρο όσο και σε χρόνο. Για την ικανοποίηση αυτών των περιορισμών, οι πιθανοτικές συνόψεις (σκίτσα) χρησιμοποιούνται ευρέως για να συνοψίσουν ογκώδεις ροές δεδομένων και να προσεγγίσουν αποτελέσματα ερωτημάτων χρησιμοποιώντας εξαιρετικά περιορισμένη μνήμη. Η παρούσα διπλωματική αναλύει την υλοποίηση του RGS-Sketch, μιας εξειδικευμένης δομής για την online ανίχνευση Υπερ-διαμοιραστών, καθώς και την ενσωμάτωσή της στο Apache Flink. Το RGS-Sketch εντοπίζει ροές υψηλής πληθικότητας μέσω ενός μηχανισμού Register Group Sharing, επιτυγχάνοντας ταυτόχρονα εξαιρετική αποδοτικότητα μνήμης και ταχύτητα. Για τη μεγιστοποίηση του ρυθμού διεκπεραίωσης κατά την παρακολούθηση της πληθικότητας σε πραγματικό χρόνο, ο αλγόριθμος υποστηρίζει την κλιμάκωση σε κατανεμημένα συστήματα μέσω της δομικής του συγχωνευσιμότητας, η οποία επιτρέπει την άμεση ένωση των κατανεμημένων καταστάσεων. Αυτό επιτρέπει στο σύστημα να εξάγει συλλογικά ακριβείς εκτιμήσεις πληθικότητας και να ανιχνεύει Υπερ-διαμοιραστές σε ανεξάρτητα σημεία μέτρησης.
 
Abstract 
The continuous expansion of data stream environments requires processing techniques that are strictly bounded in both space and time. To meet these constraints, probabilistic synopses (sketches) are widely used to summarize massive data streams and approximate query results using highly restricted memory. This thesis details the implementation of the RGS-Sketch, a specialized structure for online Super Spreader detection, and its integration into Apache Flink. The RGS-Sketch identifies high-cardinality flows through a Register Group Sharing mechanism, concurrently achieving exceptional memory efficiency and speed. To maximize throughput during real time cardinality tracking, the algorithm supports scaling across distributed systems through its structural mergeability, which enables the direct fusion of distributed states. This allows the system to collectively derive accurate cardinality estimations and detect Super Spreaders across independent measurement points.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Χρήστου Κωσταδήμα

με θέμα
Βαθιά Μάθηση για Αυτοματοποιημένη Ποσοτικοποίηση Νευρωνικής Μορφολογίας και Υγείας σε Εικόνες Μικροσκοπίας
Deep Learning for Automated Quantification of Neuronal Morphology and Health in Microscopy Images

Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάκης (Επιβλέπων) 
Αναπληρωτής Καθηγητής Ευάγγελος Καλογεράκης 
Δρ. Νικόλαος-Κοσμάς Χλης

Περίληψη
Η βιοϊατρική έρευνα στις μέρες μας έχει σημειώσει σημαντική πρόοδο χάρη στη χρήση διαφοροποιημένων  βλαστοκυττάρων (human induced pluripotent stem cells), τα οποία αποτελούν μια ανανεώσιμη και γενετικά προσαρμόσιμη πηγή εξειδικευμένων κυτταρικών συστημάτων. Ωστόσο, η διαδικασία διαφοροποίησης είναι εξαιρετικά χρονοβόρα και επιρρεπής σε μορφολογική μεταβλητότητα. Τα βλαστοκύτταρα ενδέχεται να διαφοροποιηθούν σε τρεις κατηγορίες: υγιή νευρωνικά δίκτυα, δίκτυα με αυξημένο κυτταρικό θάνατο ή δίκτυα που εμφανίζουν σχηματισμό κυτταρικών συσσωματωμάτων (clusters). Μεταξύ αυτών των μορφολογικών αποτελεσμάτων, μόνο ο σχηματισμός υγιών νευρωνικών δικτύων πληροί τα πρότυπα που απαιτούνται για τα πειράματα που αποσκοπούν στην ανάπτυξη φαρμάκων. Ο ποιοτικός έλεγχος για τη διασφάλιση της ποιότητας των δειγμάτων βασίζεται επί του παρόντος στη χειροκίνητη επιθεώρηση εικόνων μικροσκοπίας, ενδεχομένως με την πρόσθετη χρήση fluorescent labeling (staining). Ωστόσο, αυτές οι χειροκίνητες μεθοδολογίες παρουσιάζουν περιορισμούς, καθώς είναι εγγενώς χρονοβόρες και επιρρεπείς σε ανθρώπινα σφάλματα. Τεχνικές όπως το fluorescent labeling αυξάνουν σημαντικά την πολυπλοκότητα και  τον χρόνο προετοιμασίας της πειραματικής διαδικασίας, ενώ παράλληλα ενέχουν κινδύνους τοξικότητας για τα ζωντανά κύτταρα, θέτοντας σε κίνδυνο την ακεραιότητα του δείγματος. Συγκεκριμένα, η προτεινόμενη ροή εργασίας χρησιμοποιεί ένα βελτιστοποιημένο συνελικτικό νευρωνικό δίκτυο τύπου U-net για την ακριβή κατάτμηση εικόνας (image segmentation) των διαφοροποιημένων κυττάρων. Αντί για μια τυποποιημένη αρχιτεκτονική, το μοντέλο αναπτύχθηκε κατόπιν διεξοδικών δοκιμών διαφορετικών συναρτήσεων απώλειας (loss functions) και μεγεθών δικτύου, ώστε να επιτυγχάνεται η βέλτιστη κατάτμηση τόσο μεμονωμένων νευρώνων όσο και κυτταρικών συσσωματωμάτων. Μετά την κατάτμηση των εικόνων, εξάγεται ο συνολικός αριθμός των pixels που αντιστοιχούν σε νευρώνες και ο αριθμός των pixels που αντιστοιχούν σε συσσωματώματα. Αυτά τα δεδομένα, σε συνδυασμό με χαρακτηριστικά που εξάγονται από το ιστόγραμμα των εικόνων γκρίζας κλίμακας (grayscale images), τροφοδοτούν έναν ταξινομητή Random Forest. ΄Ετσι, το μοντέλο αποφασίζει εάν η αντίστοιχη εικόνα απεικονίζει ένα well με υγιείς νευρώνες, συσσωματώματα (clusters) ή υπολείμματα από νεκρά κύτταρα (dead cells). Η μεθοδολογία αυτή εφαρμόζεται well-by-well, παρέχοντας μια ολοκληρωμένη ποιοτική αξιολόγηση της πειραματικής διάταξης. Με αυτόν τον τρόπο, το μοντέλο ταξινομεί κάθε μεμονωμένη εικόνα μικροσκοπίας (η οποία έχει ληφθεί από ένα συγκεκριμένο well) σε μία από τις τρεις κατηγορίες: υγιείς νευρώνες, συσσωματώματα (clusters) ή υπολείμματα νεκρών κυττάρων. Διαχωρίζοντας με ακρίβεια τις εικόνες υγιών νευρώνων, το εργαλείο παρέχει τα απαραίτητα δεδομένα για τη μεταγενέστερη λήψη αποφάσεων σε επίπεδο well, συμβάλλοντας έτσι σε μια ολοκληρωμένη ποιοτική αξιολόγηση της πειραματικής διάταξης και διασφαλίζοντας ότι μόνο τα wells που παρουσιάζουν υγιή νευρωνικά δίκτυα προκρίνονται για περαιτέρω βιολογικές δοκιμές. Για την επιλογή του βέλτιστου μοντέλου κατάτμησης (segmentation), πραγματοποιήθηκε εκτενής αξιολόγηση 192 διαφορετικών παραμετροποιήσεων. Η κορυφαία διαμόρφωση του βελτιστοποιημένου μοντέλου U-Net πέτυχε συνολική μέση ακρίβεια εικονοστοιχείων (mean pixel accuracy) 97,78%. Η μέση ακρίβεια του προσκηνίου (foreground accuracy) η οποία λαμβάνει υπόψη μόνο τους νευρώνες και τα συσσωματώματα, υπολογίστηκε στο 82,95%, ενώ η διάμεση τιμή (median) του Dice Score διαμορφώθηκε στο 0,95 για τα συσσωματώματα (clusters) και στο 0,70 για τους μεμονωμένους νευρώνες. Επιπλέον, το ενσωματωμένο μοντέλο απόφασης Random Forest επέδειξε εξαιρετική αξιοπιστία στην ταξινόμηση των δειγμάτων, επιτυγχάνοντας F1-score 0,97 σε νέα δεδομένα δοκιμής (unseen test data). Τα αποτελέσματα αυτά υποδεικνύουν ότι το αυτοματοποιημένο σύστημα μπορεί να αντικαταστήσει αποτελεσματικά τη χειροκίνητη επιθεώρηση, παρέχοντας μια στιβαρή λύση υψηλής απόδοσης για τον ποιοτικό έλεγχο στις διαδικασίες σχεδιασμού φαρμάκων, διασφαλίζοντας την ακεραιότητα βιολογικών δοκιμών.

Abstract 
Biomedical research nowadays has advanced considerably thanks to the use of differentiated human induced pluripotent stem cells, which offer renewable, genetically customizable source of specialized cellular systems. However, the differentiation process is significantly time consuming and prone to morphological variability. Stem cells in each well differentiate into three categories: healthy neuronal networks, increased cell death and clustered cell formations. Among these morphological outcomes, only the formation of healthy, intricate neuronal net works meets the standards required for drug discovery assays. To ensure the required purity, quality control currently relies on manual inspection of microscopy images, potentially in addition to fluorescent labeling (staining). Nonetheless, these manual methodologies come with limitations: they are inherently time-consuming and susceptible to human error. Also, techniques such as fluorescent labeling add significant complexity and time to the experimental setup, while potentially presenting toxicity risks to living cells that jeopardize sample integrity. To overcome these limitations, this thesis proposes an automated, label-free quality control pipeline. The work focuses on the post-differentiation stage to assess if stem cells have successfully differentiated into neurons in each well. By analyzing images without the need for staining, our AI-driven approach provides a faster and highly reliable evaluation of the culture’s quality for downstream assays. Specifically, the proposed workflow employs a customized U-Net architecture optimized for the precise segmentation of differentiated cells. To ensure high performance on complex cellular morphologies, several model depths and loss functions were evaluated, ultimately arriving at a configuration tailored to segment both individual neurons and dense clusters with high fidelity. After segmenting the images, the numbers of total pixels that correspond to neurons and the number of pixels that correspond to clusters are extracted. These spatial features are combined with intensity features extracted from the histogram of the microscopy images and are fed to a Random Forest classifier. In this way, the model classifies each individual microscopy image (acquired from a specific well) into one of three categories: healthy neurons, clusters, or dead cell debris. By accurately identifying and separating images of healthy neurons from those containing dead cells or clusters, the tool provides the essential data required for informed subsequent well-level decision-making, thereby contributing to a comprehensive quality assessment of the experimental setup and ensuring that only wells containing healthy neuronal networks are promoted to downstream assays. To select the optimal segmentation model, we extensively benchmarked 192 configurations. The top-performing optimized U-Net achieved an overall mean pixel accuracy of 97.78%. We further evaluated its performance on foreground elements (neurons and clusters), reaching a mean foreground accuracy of 82.95%. Specifically, the model achieved a median Dice Score of 0.95 for clusters and 0.70 for individual neurons. Furthermore, the integrated Random Forest decision model demonstrated exceptional reliability in culture classification, achieving an F1-score of 0.97 on unseen test data. These results indicate that the automated system can effectively replace manual inspection, providing a ro bust, high-throughput solution for quality control in drug discovery workflows while ensuring the integrity and reproducibility of biological assays.

Meeting ID: 954 649 5567
Password: 956799

Η επόμενη διάλεξη της σειράς θα δοθεί από τον δικό μας Καθ. Διονύσιο Χριστόπουλο, Καθηγητή της Σχολής Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών (ΗΜΜΥ) του Πολυτεχνείου Κρήτης. Ο Καθ. Χριστόπουλος θα δώσει μια φημισμένη διάλεξη, σε συνέχεια του έγκριτου βραβείου Georges Matheron Lectureship Award 2024 που έλαβε από τη Διεθνή Ένωση Μαθηματικών Γεωεπιστημών (IAMG), ως αναγνώριση της εξαιρετικής επιστημονικής του συμβολής στη χωρική στατιστική και τη μαθηματική μορφολογία.

Η διάλεξη του Καθ. Χριστόπουλου έχει τίτλο:

"From Particles to Patterns:
An Odyssey from Physics to Geostatistics and Beyond"

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

ΓΚΑΡΑΓΚΑΝΗ ΑΛΕΞΑΝΔΡΑΣ

με θέμα

Βελτιστοποίηση Φιλικών προς το Δίκτυο Συστάσεων με Χρήση Ενισχυτικής Μάθησης για Χρήστες με Μνήμη
Using Reinforcement Learning to Optimize Network-friendly Recommendations for Users with Memory

Εξεταστική Επιτροπή

Καθηγητής Θρασύβουλος Σπυρόπουλος (επιβλέπων)
Καθηγητής Μιχαήλ Ζερβάκης
Καθηγητής Μιχαήλ Λαγουδάκης

Περίληψη

Η ελαχιστοποίηση του κόστους μετάδοσης περιεχομένου από το δίκτυο, διατηρώντας παράλληλα την ικανοποίηση του χρήστη αποτελεί πρόκληση για τις σύγχρονες πλατφόρμες περιεχομένου. Οι υπάρχουσες υλοποιήσεις Συστημάτων Συστάσεων Φιλικά προς το Δίκτυο αντιμετωπίζουν αυτήν την πρόκληση κατευθύνοντας τους χρήστες προς αποθηκευμένο, χαμηλού κόστους περιεχόμενο. Είναι γεγονός ωστόσο, ότι η συντριπτική πλειοψηφία τους υποθέτει ένα στατικό μοντέλο χρήστη, στο οποίο η πιθανότητα αποδοχής μιας σύστασης παραμένει αμετάβλητη καθ΄ όλη τη διάρκεια μιας συνεδρίας. Αυτή η απλοποίηση δεν είναι ρεαλιστική, ένας χρήστης που λαμβάνει επανειλημμένα συστάσεις χαμηλής ποιότητας θα χάσει τελικά την εμπιστοσύνη του στο σύστημα, πιθανόν αγνοώντας τις συστάσεις και καταφεύγοντας σε αναζήτηση ακριβού περιεχομένου μέσω της μπάρας αναζήτησης. Αυτό λοιπόν το πρόβλημα κληθήκαμε να αντιμετωπίσουμε στην παρούσα διπλωματική εργασία, επεκτείνοντας το πλαίσιο των Markov Decision Processes (MDP) για Συστάσεις Φιλικές προς το Δίκτυο. Μοντελοποιήσαμε την εμπιστοσύνη του χρήστη ως μεταβλητή κατάστασης που εξελίσσεται κατά τη διάρκεια μιας συνεδρίας με βάση την ποιότητα των συστάσεων εξετάζοντας δύο μοντέλα. Το πρώτο είναι το μοντέλο Σταθερής Εμπιστοσύνης, που χρησιμεύει ως βάση σύγκρισης. Το δεύτερο, πρόκειται για ένα απλό μοντέλο Μεταβαλλόμενης Εμπιστοσύνης, στο οποίο η πιθανότητα προσοχής του χρήστη αυξάνεται μετά από συστάσεις υψηλής σχετικότητας και μειώνεται με συστάσεις χαμηλής. Το τελευταίο μοντέλο εφαρμόζει μια νέα στρατηγική, όπου η βέλτιστη πολιτική συστήνει ακριβά αλλά υψηλής σχετικότητας αντικείμενα στην αρχή μιας συνεδρίας για να χτίσει εμπιστοσύνη, δημιουργώντας έναν χρήστη που δυναμικά αυξάνει την εμπιστοσύνη του στο Σύστημα Συστάσεων. Για μεγάλους καταλόγους περιεχομένου που οι επιλυτές MDP δεν μπορούν να διαχειριστούν υπολογιστικά, προτείνουμε μια προσέγγιση Q-Learning χωρίς μοντέλο, που προσεγγίζει τη βέλτιστη πολιτική. Επικυρώνουμε την εγκυρότητα του μοντέλου μας μέσω προσομοιώσεων σε συνθετικούς καταλόγους, καθώς και σε πραγματικούς, στις οποίες εφαρμόζουμε διάφορα σύνολα παραμέτρων για να αποτυπώσουμε διαφορετικές συμπεριφορές.

Abstract 

Minimizing the network cost of content delivery while maintaining user satisfaction is a challenge for content platforms. Existing work on Network-Friendly Recommendation Systems (NF-RS) address this by moving users toward cached content, but the majority assumes a static user model, where the probability of accepting a recommendation remains constant through a session. This is unrealistic because a user who repeatedly receives low-quality cached recommendations will lose trust in the system and eventually ignore it, resorting to expensive content retrieved from the search bar. In this thesis, we extend the Markov Decision Process (MDP) framework for Network-Friendly Recommendations by modeling trust as a variable that evolves during a session based on the quality of recommendations. We consider two models: a Fixed-Trust model, our baseline, and an Adaptive-Trust model, where the user’s attention probability rises after high-utility suggestions and falls after poor ones. The latter model introduces the invest and exploit strategy, where the optimal far-sighted policy recommends costly but high-utility items early in a session to build trust, creating a user that is able to increase her confidence to our Recommender System. For large content catalogs the exact MDP solvers could not computationally handle, we propose a model-free Q-Learning approach that approximates the optimal policy. We validate our framework through extensive simulations over synthetic and real-world catalog topologies, on which we apply a number of different parameter sets to capture different behaviors.
 

Career Day with Alpha Bank: “Δεξιότητες, Ρόλοι & Προοπτικές στον Τραπεζικό Τομέα Σήμερα”

Τετάρτη 27 Μαΐου 2026 | 11:00 – 16:00 | Γ2.1 Αμφιθέατρο

Facebook event 

Η εκδήλωση δίνει τη δυνατότητα στους φοιτητές και τις φοιτήτριες, να γνωρίσουν τα στελέχη της Alpha Bank, να ενημερωθούν για στρατηγικά έργα, τον ψηφιακό μετασχηματισμό και τις νέες τεχνολογίες στον τραπεζικό χώρο, καθώς και να ανακαλύψουν επαγγελματικές προοπτικές, δεξιότητες καθώς και ευκαιρίες εξέλιξης στο σύγχρονο τραπεζικό κλάδο για νέους και νέες μηχανικούς σε τομείς όπως το Project Management, η Τραπεζική Επιχειρήσεων, τα Analytics και το Digital Banking.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Κωνσταντίνου Γραμμένου 

με θέμα
Θεωρητική Διερεύνηση της Υπόθεσης "Κρίσιμου Εγκεφάλου" και Κλινικές Εφαρμογές σε Δεδομένα Ηλεκτροεγκεφαλογραφημάτων (EEG)
Critical Brain Hypothesis: Theoretical Investigations and Applications to Clinical EEG Data

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

Περίληψη
Η υπόθεση του “κρίσιμου εγκεφάλου” στην σύγχρονη νευροεπιστήμη ισχυρίζεται ότι ο εγκέφαλος λειτουργεί κοντά σε μία μετάπτωση φάσης. Στο κρίσιμο σημείο, κοντά στο όριο ανάμεσα στην πλήρη τάξη και την αταξία, εμφανίζονται αναδυόμενες ιδιότητες όπως ταλαντώσεις, συγχρονισμός και βέλτιστη ροή πληροφορίας. Η παρούσα δουλειά ερευνά αυτήν την υπόθεση. Μοντελοποιούμε την νευρωνική δυναμική μέσω μίας πολυδιάστατης διαδικασίας Ornstein–Uhlenbeck, η οποία περιλαμβάνει όρους ολίσθησης (αντιστοιχώντας στις συνδέσεις ανάμεσα στους νευρώνες) και έναν όρο διάχυσης (Γκαουσιανός λευκός θόρυβος). Διερευνούμε δύο μοντέλα δομής συνδεσιμότητας μεταξύ νευρώνων: το ανεξάρτητο και ισοκατανεμημένο (i.i.d.) Γκαουσιανό μοντέλο και το τμηματικό Γκαουσιανό Ορθογώνιο Σύνολο (block GOE). Μελετούμε αυτά τα μοντέλα στο όριο μεγάλου πλήθους νευρώνων N, με στόχο να εξετάσουμε δύο συμπληρωματικούς και ανεξάρτητους σκοπούς. Εμπνευσμένο από τα διεγερτικά-κατασταλτικά δίκτυα στην νευροεπιστήμη, το τμηματικό Γκαουσιανό ορθογώνιο σύνολο μας επιτρέπει την μαθηματική εξερεύνηση των αναδυόμενων ιδιοτήτων, όπως ταλαντώσεις και συγχρονισμός. Από την άλλη, το ανεξάρτητο και ισοκατανεμημένο Γκαουσιανό μοντέλο δρα ως ένα γενικό και ευέλικτο μοντέλο, το οποίο είναι ιδανικό για την ανίχνευση των κρίσιμων μοτίβων σε εμπειρικά κλινικά δεδομένα. Ο εγκέφαλος εμφανίζει πλούσια χωροχρονική δραστηριότητα, ενώ οι νευρωνικές καταγραφές συχνά συνυπάρχουν με θόρυβο τύπου 1/f (δηλαδή με φάσμα μειούμενο αλγεβρικά ως συνάρτηση της συχνότητας). Προκειμένου να ανιχνεύσουμε  την εγκεφαλική δραστηριότητα, εργαζόμαστε στο πεδίο της συχνότητας και παρουσιάζουμε μετρικές οι οποίες βασίζονται στον πίνακα φασματικής πυκνότητας ισχύος. Αυτές οι μετρικές είναι η αποτελεσματική διαστατικότητα (ED), η μέση τιμή της φασματικής πυκνότητα ισχύος ως προς το δίκτυο (NAPS), και η αποτελεσματική σύζευξη (EC). Η παρούσα εργασία αποτελείται από δύο ενότητες. Στο θεωρητικό τμήμα, ενισχύουμε την ερμηνευσιμότητα του συστήματος με  block GOE συνδεσιμότητα. Συγκεκριμένα, παρέχουμε αναλυτική έκφραση για την NAPS και την ED, οι οποίες μας επιτρέπουν να ερευνήσουμε τις ιδιότητες του συστήματος καθώς οι παράμετροι του μοντέλου μεταβάλλονται. Ως τελική επέκταση αυτής της ανάλυσης, υπολογίζουμε κλειστή έκφραση και για την μέση τιμή της συνάρτηση συνδιακύμανσης ως προς το δίκτυο. Παρά το γεγονός ότι αυτές οι κλειστές εκφράσεις δεν έχουν δοκιμαστεί σε πραγματικά δεδομένα, ενισχύουν σημαντικά την κατανόηση των σύνθετων νευρωνικών συστημάτων. Επιπροσθέτως, ανιχνεύουμε την αποτελεσματική σύζευξη (χρησιμοποιώντας την υπόθεση της i.i.d. Γκαουσιανής συνδεσιμότητας) καθώς και την αποτελεσματική διαστατικότητα, σε EEG δεδομένα τα οποία περιλαμβάνουν εφήβους τόσο υγιείς όσο και προσβεβλημένους με διάσειση. Με αυτόν τον τρόπο, ανιχνεύουμε ενδείξεις κρισιμότητας και συγχρονισμένης δραστηριότητας ανά ομάδα.

Abstract 
The critical brain hypothesis in modern neuroscience states that the brain operates near a phase transition. At the critical point, close to the boundary between total order and chaos, emergent properties such as oscillations, synchronization, and optimal information flow emerge. This work investigates this theory. We model neural dynamics via a vector Ornstein–Uhlenbeck process which consists of a drift (the connection of each neuron) and a diffusion term (Gaussian white noise). We investigate two models of connectivity structure among neurons: independent and identically distributed (i.i.d.) Gaussian and block Gaussian Orthogonal Ensemble (block GOE). We study these models in the large-N limit to study two complementary, independent purposes. Inspired by excitatory–inhibitory networks in neuroscience, the arrangement of the block GOE structure allows for the mathematical exploration of emergent properties such as critical oscillations and coordination. On the other hand, the model connected with i.i.d. Gaussian structure acts as a generic, asymmetric, flexible model, suitable for the detection of critical patterns in empirical clinical data. The brain contains rich spatiotemporal activity, while neural recordings often coexist with 1/f noise. To capture this activity, we work in the frequency domain and present the following metrics based on the spectral density matrix (SDM). These metrics are the effective dimensionality (ED), the network-averaged power spectrum (NAPS), and the effective coupling (EC). Our work consists of the following two parts. In our theoretical part, we enhance the explainability of the system with the block GOE connectivity structure. Specifically, we derive a closed formula for the NAPS and ED, which allows us to explain the system properties, as the model parameters vary. As a final extension of the analysis, we derived the network averaged autocovariance function. Although these results were not tested on real world data, they serve as an enhancement of the understanding of complex neural systems. In addition, we infer the effective coupling using the i.i.d. Gaussian connectivity assumption, and the effective dimensionality in EEG data that consist of both concussed and healthy male adolescents. Hence, we detect signatures of criticality and coordinated activity within each group.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Κωνσταντίνου Γούτσια

με θέμα

Ανάπτυξη Ελαφριού Πράκτορα Σκακιού για Επιθετικό Παιχνίδι με χρήση Ενισχυτικής Μάθησης
Developing a Lightweight Chess Agent for Aggressive Play using Reinforcement Learning

Εξεταστική Επιτροπή
Καθηγητής Θρασύβουλος Σπυρόπουλος (επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης 
Καθηγητής Βασίλειος Σαμολαδάς

Περίληψη
Η τεχνητή νοημοσύνη στο σκάκι έχει εμφανίσει σημαντική πρόοδο τα τελευταία χρόνια, καθώς νέες προσεγγίσεις συνεχίζουν να ξεπερνούν τις προηγούμενες. Ενώ οι μηχανές που βασίζονται σε ευρετικές μεθόδους κυριαρχούσαν στον τομέα για πολλά χρόνια, μέθοδοι ενισχυτικής μάθησης (ΕΜ), όπως το AlphaZero, έχουν πρόσφατα αναδειχθεί ως ιδιαίτερα ισχυρές και αξιόπιστες εναλλακτικές προσεγγίσεις. Σε αυτό το πλαίσιο, η παρούσα διπλωματική εργασία παρουσιάζει έναν πράκτορα ενισχυτικής μάθησης εμπνευσμένο από το AlphaZero, ο οποίος μαθαίνει να παίζει σκάκι κυρίως μέσω αυτοπαιξίματος (self-play), βασιζόμενος σε ελάχιστα δεδομένα που προέρχονται από ανθρώπινες παρτίδες. Λόγω της υψηλής πολυπλοκότητας του παιχνιδιού, οι προσεγγίσεις που βασίζονται στην ενισχυτική μάθηση απαιτούν συνήθως σημαντικούς υπολογιστικούς πόρους. Στην εργασία αυτή, αρχικά αναπτύσσεται μια βασική υλοποίηση ενός πλαισίου αυτοπαιξίματος βασισμένου στη μέθοδο Monte Carlo Tree Search και αποδεικνύεται ότι ακόμη και με περιορισμένη υπολογιστική ισχύ είναι δυνατό να αναπαραχθεί η θεμελιώδης αρχή αυτοβελτίωσης που χαρακτηρίζει το AlphaZero. Στο δεύτερο μέρος της εργασίας παρουσιάζεται μια σειρά από βελτιστοποιήσεις σε διαφορετικά επίπεδα του συστήματος. Οι βελτιστοποιήσεις αυτές έχουν δύο κύριους στόχους: την επιτάχυνση της παραγωγής δεδομένων και τη βελτίωση της ποιότητάς τους, ώστε να απαιτείται συνολικά μικρότερος όγκος δεδομένων για την εκπαίδευση. Μέσω της βελτίωσης τόσο της υπολογιστικής αποδοτικότητας όσο και της αποτελεσματικότητας της διαδικασίας εκπαίδευσης, οι προτεινόμενες τροποποιήσεις μειώνουν το συνολικό υπολογιστικό κόστος της μάθησης. Τα πειραματικά αποτελέσματα δείχνουν ότι οι βελτιώσεις αυτές επιτρέπουν στο σύστημα να εκτελείται έως και 20 φορές ταχύτερα στο υλικό σύστημα που χρησιμοποιήθηκε για τα πειράματα.
Τέλος, διερευνώνται μέθοδοι για την κατεύθυνση του πράκτορα προς ένα πιο επιθετικό στυλ παιχνιδιού. Συνδυάζοντας ευρετικές τεχνικές με μεθόδους διαμόρφωσης της συνάρτησης ανταμοιβής (reward shaping), η διαδικασία εκπαίδευσης ενθαρρύνει επιθετικές και δυναμικές στρατηγικές παιχνιδιού. Τα πειραματικά αποτελέσματα δείχνουν ότι ο πράκτορας υιοθετεί σταδιακά ένα πιο επιθετικό στυλ καθώς προχωρά η εκπαίδευση, αποδεικνύοντας ότι η συμπεριφορά και το στυλ παιχνιδιού σε πράκτορες σκακιού που βασίζονται σε ενισχυτική μάθηση μπορούν να επηρεαστούν αποτελεσματικά μέσω στοχευμένων τροποποιήσεων στο πλαίσιο μάθησης.

Abstract 
Chess artificial intelligence has advanced significantly in recent years, with new approaches continuously surpassing previous ones. While heuristic-based engines dominated the field for many years, reinforcement learning (RL) methods such as AlphaZero have recently emerged as powerful and reliable alternatives. Against this background, this thesis presents an AlphaZero-inspired reinforcement learning agent that learns to play chess primarily through self-play, relying on minimal human-generated data. Due to the complexity of chess, RL-based approaches typically require substantial computational resources. In this work, we first establish a baseline implementation of a Monte Carlo Tree Search-based self-play framework and demonstrate that, even with limited computational power, it is possible to reproduce the fundamental self-improvement principle underlying AlphaZero. The second part of this work focuses on a series of optimizations at different levels of the system. These optimizations pursue two main objectives: accelerating the generation of data and improving its quality so that less data is required overall. By improving computational efficiency and training effectiveness, the proposed modifications reduce the overall computational cost of the training process. Experimental results show that these improvements allow the system to run up to 20 times faster on the hardware configuration used in this study. Finally, we investigate methods for biasing the agent toward a more aggressive playing style. By combining heuristic guidance with reward shaping techniques, the training process encourages attacking and dynamic gameplay. The experimental results indicate that the agent progressively adopts a more aggressive strategy during training, demonstrating that stylistic behavior in RL-based chess agents can be effectively influenced through targeted modifications to the learning framework.

ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ

του Παναγιώτη Σκλάβου

με θέμα
Προσαρμοστικά Νευρωνικά Πεδία Ακτινοβολίας για Σταδιακή Ανακατασκευή Σκηνών Μεγάλης Κλίμακας
Adaptive Neural Radiance Fields for Incremental Reconstruction of Large-Scale Scenes

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

Περίληψη
Οι εξελίξεις στις τεχνολογίες αεροφωτογράφησης, και ιδίως η ευρεία χρήση των drones, έχουν καταστήσει δυνατή τη συλλογή οπτικών δεδομένων σε μεγάλες και συχνά απρόσιτες περιοχές, υποστηρίζοντας την επίγνωση της κατάστασης κατά τη διάρκεια εκτάκτων περιστατικών, όπως δασικές πυρκαγιές, πλημμύρες και σεισμοί. Αυτές οι εικόνες παρέχουν πολύτιμες πληροφορίες για την πληγείσα περιοχή, αλλά στερούνται γεωμετρικού βάθους και δομής, δημιουργώντας την ανάγκη για ταχέως εξελισσόμενες τρισδιάστατες αναπαραστάσεις. Τα Νευρωνικά Πεδία Ακτινοβολίας (NeRFs) έχουν αναδειχθεί ως ένα αναπόσπαστο εργαλείο για τη φωτορεαλιστική ανακατασκευή 3D σκηνών από πολυπροοπτικές εικόνες. Ωστόσο, οι συμβατικές προσεγγίσεις NeRF παραμένουν στατικές και πλήττονται από καταστροφική λήθη καθώς φτάνουν νέες παρατηρήσεις, περιορίζοντας την αποτελεσματικότητά τους σε δυναμικά περιβάλλοντα. Για να αντιμετωπίσουμε αυτόν τον περιορισμό, παρουσιάζουμε ένα προσαρμοστικό πλαίσιο NeRF, το οποίο ενσωματώνει χωρική διαμέριση για κλιμάκωση σε περιοχές σε κλίμακα πόλης, Άμεσα Νευρωνικά Γραφικά Στοιχεία (Instant-NGP) για αποτελεσματική βελτιστοποίηση, μέτα-μάθηση για ισχυρές περιφερειακές αρχικοποιήσεις και μηχανισμούς συνεχούς μάθησης για σταδιακές ενημερώσεις, με παράλληλο μετριασμό της λήθης. Το σύστημα λειτουργεί σε δύο στάδια: ένα offline στάδιο το οποίο μετα-μαθαίνει μια αρχικοποίηση που καταγράφει τα γενικά περιφερειακά χαρακτηριστικά μιας ευρείας περιοχής ενδιαφέροντος, και ένα online στάδιο που επεξεργάζεται εικόνες από την επηρεαζόμενη περιοχή για να ενσωματώνει σταδιακά ενημερώσεις σχετικές με την κατάσταση έκτακτης ανάγκης. Πειραματική αξιολόγηση σε σύνολα δεδομένων που έχουν καταγραφεί από drones δείχνει ταχεία προσαρμογή σε νέες παρατηρήσεις με υψηλή ποιότητα ανακατασκευής και ανθεκτικότητα στην καταστροφική λήθη.
    
Abstract
Advances in aerial imaging technologies, such as drones, have enabled visual data collection over large and often inaccessible areas, supporting situational awareness during emergencies such as wildfires, floods, and earthquakes. These images provide valuable information about the affected region, yet they lack geometric depth and structure, introducing the need for rapidly evolving 3D representations. Neural Radiance Fields (NeRFs) have emerged as an indispensable tool for photorealistic 3D scene reconstruction from multi-view imagery. However, conventional NeRF pipelines remain static and struggle with catastrophic forgetting as new observations arrive, limiting their effectiveness in dynamic environments. To address this limitation, we present an adaptive NeRF framework that incorporates spatial modularization to scale to city-scale scenes, Instant Neural Graphics Primitives (Instant-NGP) for efficient optimization, meta-learning for strong regional initializations, and continual-learning mechanisms for incremental updates while mitigating forgetting. The system operates in two stages: an offline stage that meta-learns an initialization capturing the coarse regional characteristics of a wide area of interest, and an online stage that processes views from the affected area to incrementally incorporate emergency-related updates. Experimental evaluation on drone-captured datasets demonstrates rapid adaptation to new observations with high reconstruction quality and robustness to catastrophic forgetting.

Meeting ID: 922 5996 1268
Password: 221573

ΠΑΡΟΥΣΙΑΣΗ ΔΙΔΑΚΤΟΡΙΚΗΣ ΔΙΑΤΡΙΒΗΣ

Δήμητρας Κυριάκου

με θέμα
Συμβολή στην Ανάπτυξη Προηγμένων Μεθόδων Διαχείρισης Ενέργειας και Ελέγχου Μικροδικτύων
Contribution to the Development of Advanced Energy Management and Control Methods for Microgrids

Εξεταστική Επιτροπή
Ομότιμος Καθηγητής Κωνσταντίνος Καλαϊτζάκης (επιβλέπων)
Καθηγητής Ευτύχιος Κουτρούλης
Αναπληρωτής Καθηγητής Γεώργιος Τσεκούρας (ΠΑΔΑ, Τμήμα Η. & Η.Μ.)
Καθηγητής Μιχαήλ Ζερβάκης
Καθηγητής Βασίλης Κουϊκόγλου (ΠΚ, Σχολή ΜΠΔ)
Αναπληρωτής Καθηγητής Δημήτριος Ιψάκης (ΠΚ, Σχολή ΜΠΔ)
Καθηγητής Παύλος Γεωργιλάκης (ΕΜΠ, Σχολή ΗΜΜΥ)

Περίληψη
Η διδακτορική διατριβή αναπτύσσει προηγμένες μεθοδολογίες για τη διαχείριση ενέργειας και τον έλεγχο μικροδικτύων που ενσωματώνουν παραγωγούς-καταναλωτές (prosumers), ηλεκτρικά οχήματα και συστήματα συμπαραγωγής ηλεκτρισμού και θερμότητας, με στόχο την οικονομικά αποδοτική, βιώσιμη και αξιόπιστη λειτουργία τους.
Τα υπό μελέτη συστήματα περιλαμβάνουν κτίρια, ηλεκτρικά οχήματα και σταθμούς φόρτισης, μονάδες συμπαραγωγής ηλεκτρισμού και θερμότητας, γεννήτριες και ανανεώσιμες πηγές ενέργειας. Αναπτύσσονται λεπτομερή μοντέλα για όλα τα στοιχεία του μικροδικτύου, συμπεριλαμβανομένων θερμικών και ηλεκτρικών φορτίων, τα οποία ταξινομούνται σε κρίσιμα και μη κρίσιμα φορτία. Τα φορτία μπορούν να τροφοδοτούνται από το μικροδίκτυο και το κύριο δίκτυο ή αποκλειστικά από το μικροδίκτυο σε λειτουργία νησιδοποίησης. Το μικροδίκτυο παρέχει επίσης στήριξη συχνότητας και τάσης μέσω βέλτιστης ρύθμισης ενεργού και άεργου ισχύος. 
Κύρια καινοτομία της διατριβής αποτελεί η εφαρμογή της σε συστήματα που εκτείνονται από οικιακούς καταναλωτές έως ιδιαίτερα πολύπλοκα μικροδίκτυα, χωρίς σημαντική υπολογιστική επιβάρυνση. Παράλληλα, προτείνονται προσαρμοστικές μέθοδοι κατανομής ισχύος σε πραγματικό χρόνο, βασισμένες σε νέους ορισμούς ευελιξίας που απαιτούν ελάχιστες μετρήσεις.
Οι κύριες επιστημονικές συνεισφορές συνοψίζονται ως εξής:
1. Ιεραρχικό πολυπρακτορικό σύστημα διαχείρισης ενέργειας και ελέγχου μικροδικτύων σε πραγματικό χρόνο
Ανάπτυξη συστήματος πολυπρακτορικού ελέγχου πραγματικού χρόνου για μικροδίκτυα με prosumers και ηλεκτρικά οχήματα, με στόχο την ελαχιστοποίηση του λειτουργικού κόστους υπό μεταβαλλόμενο κόστος ηλεκτρικής ενέργειας και τεχνικούς περιορισμούς, χωρίς πρόβλεψη επόμενης ημέρας. 
2. Διαχείριση ισχύος μικροδικτύων μηδενικού ενεργειακού ισοζυγίου με χρήση ψηφιακών διδύμων
Ανάπτυξη πλαισίου διαχείρισης ισχύος για μικροδίκτυα μηδενικού ενεργειακού ισοζυγίου που ενσωματώνουν κτίρια, συστήματα CHP, ανανεώσιμες πηγές και ηλεκτρικά οχήματα, χρησιμοποιώντας απλοποιημένα ψηφιακά δίδυμα κτιρίων με μειωμένη υπολογιστική πολυπλοκότητα και υψηλή ακρίβεια. 
3. Βέλτιστος έλεγχος συχνότητας σε πολύπλοκα μικροδίκτυα
Ανάπτυξη προηγμένων στρατηγικών ελέγχου συχνότητας που αξιοποιούν την ευελιξία των κτιριακών φορτίων και των ηλεκτρικών οχημάτων μέσω μεθόδων ασαφούς λογικής, διασφαλίζοντας θερμική άνεση, συμμόρφωση με τεχνικούς περιορισμούς και μείωση εκπομπών CO₂. 
4. Βέλτιστη και συντονισμένη λειτουργία θερμοηλεκτρικών μικροδικτύων
Ανάπτυξη πλαισίου βελτιστοποίησης για τον συντονισμένο έλεγχο συστημάτων συμπαραγωγής ηλεκτρισμού και θερμότητας, prosumers και ηλεκτρικών οχημάτων, με στόχο την ελαχιστοποίηση του λειτουργικού κόστους, την εξομάλυνση του φορτίου υποσταθμού και την επίτευξη μηδενικού ενεργειακού ισοζυγίου. 
5. Προσαρμοστικός έλεγχος πραγματικού χρόνου για μικροδίκτυα μηδενικού ενεργειακού ισοζυγίου
Εισαγωγή νέας διατύπωσης θερμικών μοντέλων κτιρίων, όπου οι αβεβαιότητες και οι χρονικά μεταβαλλόμενες είσοδοι συγκεντρώνονται σε μία ισοδύναμη είσοδο, επιτρέποντας προσαρμοστικό έλεγχο με ακρίβεια και υπολογιστική αποδοτικότητα. 
6. Προηγμένος έλεγχος ηλεκτρικών συστημάτων κτιρίων με χρήση τεχνητής νοημοσύνης
Ανάπτυξη μεθοδολογιών διαχείρισης ενέργειας βασισμένων σε τεχνητά νευρωνικά δίκτυα και Νευροασαφή Δίκτυα για εκτίμηση και προσαρμοστικό έλεγχο σε πραγματικό χρόνο, βελτιώνοντας τη θερμική άνεση, την ερμηνευσιμότητα του ισοδύναμου μοντέλου, την ακρίβεια και την ενεργειακή αποδοτικότητα. 
7. Διαχείριση φορτίου σε ενεργειακές κοινότητες βασισμένες σε μικροδίκτυα
Ανάπτυξη μεθοδολογίας συνδυασμένης διαχείρισης ηλεκτρικών και θερμικών φορτίων σε ενεργειακές κοινότητες, με στόχο την εξομάλυνση της ζήτησης στον υποσταθμό και λαμβάνοντας υπόψη τη θερμική άνεση και τους περιορισμούς συστημάτων θέρμανσης/ψύξης. 
Όλες οι προτεινόμενες μέθοδοι έχουν επικυρωθεί θεωρητικά και μέσω προσομοιώσεων με χρήση λεπτομερών αναλυτικών μοντέλων σύνθετων συστημάτων μικροδικτύων.
    
Abstract
The doctoral dissertation develops advanced methodologies for the energy management and control of microgrids integrating prosumers, electric vehicles, and combined heat and power (CHP) systems, aiming at economically efficient, sustainable, and reliable operation.
The studied systems include buildings, electric vehicles and charging stations, CHP units, generators, and renewable energy sources. Detailed models are developed for all microgrid components, including thermal and electrical loads classified into critical and non-critical (time-shiftable) loads. Loads may be supplied either by the microgrid and the main grid or solely by the microgrid in islanded mode. The microgrid also provides frequency and voltage support through optimal active and reactive power regulation.
A key innovation of the thesis is its applicability to systems ranging from residential consumers to highly complex microgrids without significant computational burden. Adaptive real-time power allocation methods are also proposed based on novel flexibility definitions requiring minimal measurements.
The main scientific contributions are:
1. Hierarchical multi-agent real-time energy management and control
Development of a real-time multi-agent control system for microgrids with prosumers and electric vehicles, minimizing operational cost under varying electricity prices and technical constraints without day-ahead forecasting. 
2. Power management of net-zero energy microgrids using digital twins
Development of a power management framework for net-zero energy microgrids integrating buildings, CHP systems, renewable sources, and electric vehicles, using simplified building digital twins with reduced computational complexity and high accuracy. 
3. Optimal frequency control in complex microgrids
Development of advanced frequency control strategies exploiting the flexibility of building loads and electric vehicles through fuzzy-logic-based methods that ensure thermal comfort, technical compliance, and reduced CO₂ emissions. 
4. Optimal and coordinated operation of thermal-electrical microgrids
Development of an optimization framework for coordinated control of CHP systems, building prosumers, and plug-in electric vehicles, minimizing operational cost, smoothing substation load, and enforcing net-zero energy balance. 
5. Adaptive real-time control for net-zero energy microgrids
Introduction of a novel formulation of building thermal models aggregating uncertainties into an equivalent input, enabling adaptive control with improved robustness, accuracy, and computational efficiency. 
6. Advanced control of building electrical systems using artificial intelligence
Development of energy management methodologies based on artificial neural networks and Neuro-Fuzzy Networks for real-time estimation and adaptive control, improving thermal comfort, interpretability of the equivalent model, accuracy, and energy efficiency. 
7. Load management in microgrid-based energy communities
Development of a methodology for combined management of electrical and thermal loads in energy communities to smooth substation demand while considering thermal comfort and heating/cooling constraints. 
All proposed methods have been validated theoretically and through simulations using detailed analytical models of complex microgrid systems.

Meeting ID: 987 6459 4178 
Password: 546811 

"Info Day Masters @ TUC 2026"
Τετάρτη, 20 Μαΐου 2026
Ώρες: 11:00 – 15:30
Χώρος: Αμφιθέατρο Γ2.1 & διαδικτυακά μέσω Zoom

Facebook event

Η εκδήλωση απευθύνεται σε υποψήφιους μεταπτυχιακούς φοιτητές οι οποίοι θα έχουν τη δυνατότητα να ενημερωθούν για : 

• τη διάρθρωση του Προγράμματος Μεταπτυχιακών Σπουδών κάθε Σχολής
• τη διαδικασία αίτησης, τις υποτροφίες και τα τέλη φοίτησης
• τον τρόπο παρακολούθησης σε κάθε ΠΜΣ (φυσική παρουσία ή/και τηλεκπαίδευση)
• τις επαγγελματικές προοπτικές που ανοίγονται από κάθε ΠΜΣ
• την έρευνα που παράγεται στο Πολυτεχνείο Κρήτης και τις δυνατότητες συμμετοχής 

Κατά τη διάρκεια της εκδήλωσης θα παρουσιαστούν τα Μεταπτυχιακά και Διδακτορικά Προγράμματα Σπουδών όλων των Σχολών του Ιδρύματος από μέλη ΔΕΠ και Διευθυντές ΠΜΣ.

Για τη συμμετοχή στην εκδήλωση με φυσική παρουσία απαιτείται εγγραφή στην ηλεκτρονική φόρμα https://forms.gle/RhbMqBLLQ5Fmgvie7 και για όσους θέλουν να παρακολουθήσουν διαδικτυακά ο σύνδεσμος της πλατφόρμας zoom θα σταλεί στο email που θα δηλώσετε στην ηλεκτρονική φόρμα μέχρι την Τρίτη 19 Μαΐου 2026.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Βασιλείου Γκεντσούδη

με θέμα
Εφαρμογή για Μετρήσεις και Επεξεργασία Ταλαντώσεων σε Κινητές Συσκευές
Application for Vibration Measurements and Processing on Mobile Devices

Εξεταστική Επιτροπή
Καθηγητής Γεώργιος Καρυστινός (επιβλέπων)
Καθηγητής Διονύσιος Χριστόπουλος (Πολυτεχνείο Κρήτης, Σχολή ΗΜΜΥ)
Καθηγητής Γεώργιος Σταυρουλάκης (Πολυτεχνείο Κρήτης, Σχολή ΜΠΔ)

Περίληψη
Η παρούσα διπλωματική εργασία παρουσιάζει την ανάπτυξη μιας εφαρμογής για κινητές συσκευές Android που επιτρέπει τη μέτρηση και ανάλυση δονήσεων με τη χρήση των ενσωματωμένων αισθητήρων επιτάχυνσης. Η εφαρμογή, που αναπτύχθηκε στη γλώσσα Kotlin, παρέχει, μέσω φασματικής ανάλυσης, ζωντανή απεικόνιση των αποτελεσμάτων τόσο στο πεδίο του χρόνου όσο και στο πεδίο των συχνοτήτων. Η εφαρμογή υποστηρίζει ευέλικτο ρυθμό δειγματοληψίας από 10Hz έως 400Hz, επιτρέποντας τη μέτρηση δονήσεων σε ένα ευρύ φάσμα συχνοτήτων. Επιπλέον, προσφέρει τη δυνατότητα εξαγωγής των μετρήσεων σε αρχεία CSV και των γραφημάτων σε μορφή PNG, ενώ ενσωματώνει υψηπερατό φίλτρο για την αφαίρεση της συνιστώσας της επιτάχυνσης της βαρύτητας. Η αξιολόγηση της εφαρμογής πραγματοποιήθηκε μέσω πειραματικών δοκιμών που περιλάμβαναν μετρήσεις με γνωστές συχνότητες, ανίχνευση καρδιακών παλμών και επικύρωση με επαγγελματικό σύστημα δοκιμής δονήσεων. Τα αποτελέσματα επιβεβαίωσαν την ακρίβεια και την αξιοπιστία της εφαρμογής, καθιστώντας την κατάλληλη για εκπαιδευτικούς, ερευνητικούς και πρακτικούς σκοπούς.

Abstract 
This diploma thesis presents the development of a mobile application for Android devices that enables the measurement and analysis of vibrations using the built-in accelerometer sensors. The application, developed in Kotlin, provides, through spectral analysis, real-time visualization of results in both the time domain and the frequency domain. The application supports a flexible sampling rate ranging from 10 Hz to 400 Hz, allowing vibration measurements across a wide frequency spectrum. Moreover, it offers the ability to export measurements as CSV files and graphs in PNG format, while incorporating a high-pass filter to remove the gravitational acceleration component. The application was evaluated through experimental tests that included measurements at known frequencies, heartbeat detection, and validation against a professional vibration testing system. The results confirmed the accuracy and reliability of the application, making it suitable for educational, research, and practical purposes.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Λεωνίδα Καραγιάννη – Ξανθάκη 

με θέμα
Ενσωματωμένο Σύστημα Ανάλυσης Φασματικού Κύβου και RF Μετάδοσης Φασματικών Χαρτών σε Πλατφόρμες Drone
Embedded System for Spectral Cube Processing and RF Transmission of Spectral Maps in Drone Platforms

Εξεταστική Επιτροπή
Καθηγητής Κωνσταντίνος Μπάλας 
Καθηγητής Ματτίας Μπούχερ 
Καθηγητής Γεώργιος Καρυστινός

Περίληψη
Η ενσωμάτωση της φασματικής απεικόνισης σε πραγματικό χρόνο σε μη επανδρωμένα εναέρια οχήματα (UAV) παρεμποδίζεται από τον μεγάλο όγκο δεδομένων των πολυφασματικών αισθητήρων και τους αυστηρούς περιορισμούς εύρους ζώνης των εναέριων ζεύξεων δεδομένων. Αυτή η διατριβή παρουσιάζει το σχεδιασμό, την υλοποίηση και την επικύρωση ενός πλήρους ενσωματωμένου συστήματος που ξεπερνά αυτό το σημείο συμφόρησης επιτρέποντας τη μετάδοση σε πραγματικό χρόνο επεξεργασμένων αναλυτικών στοιχείων βλάστησης από μια κινητή πλατφόρμα. Το έργο περιλαμβάνει την επιλογή και τη διαμόρφωση μιας εμπορικής πολυφασματικής κάμερας στιγμιότυπου, την επεξεργασία των ακατέργαστων δεδομένων της σε δείκτες βλάστησης και μια νέα στρατηγική μετάδοσης. 

Abstract 
The integration of real-time spectral imaging on unmanned aerial vehicles (UAVs) is impeded by the high data volume of multispectral sensors and the stringent bandwidth constraints of aerial data links. This thesis presents the design, implementation, and validation of a complete embedded system that overcomes this bottleneck by enabling the real-time transmission of processed vegetation analytics from a mobile platform. The work encompasses the selection and configuration of a commercial snapshot multispectral camera, the processing of its raw data into vegetation indices, and a novel transmission strategy. 

The performance and efficiency of modern signal processing systems depend on tight and often non-linear interactions between algorithms and hardware. Algorithmic gains that look compelling on paper can diminish or even reverse when confronted with real architectural constraints, just as new hardware may underperform without algorithms designed to exploit it. Evaluations that focus on only one dimension therefore risk producing misleading conclusions about scalability, energy efficiency, or impact. This talk argues that algorithm–hardware co-design is essential not only for optimization, but for reaching correct insights. We will focus on three signal processing applications (decoding of polar codes, non-linearity compensation, and decoding of Reed-Muller codes), each showcasing a different aspect where the joint consideration of algorithms and hardware can produce unexpected results.

About the Speaker

Dr. Alexios Balatsoukas-Stimming holds Dipl.-Ing. (2010) and MSc (2012) degrees in Electronics and Computer Engineering from the Technical University of Crete. He received his PhD in Computer and Communications Sciences from the École polytechnique fédérale de Lausanne (EPFL) in 2016. He then spent a year as Marie Skłodowska-Curie postdoctoral fellow at the European Laboratory for Particle Physics (CERN), before joining the Telecommunications Circuits Laboratory of EPFL as postdoctoral researcher. Dr. Balatsoukas-Stimming is currently a tenured Assistant Professor in the Electronic Systems Group of the Eindhoven University of Technology. His research lies on the intersection between communications, hardware design, and machine learning and his specific research interests include VLSI circuits for communications, error-correction coding theory and practice, and non-linear signal processing.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Σταματίου Αλεξίου

με θέμα
Διεπαφή Επαυξημένης Πραγματικότητας για τον Έλεγχο Ρομποτικού Βραχίονα μέσω Εστίασης Βλέμματος
Augmented Reality Interface for Robotic Arm Control via Gaze-Based Interaction

Εξεταστική Επιτροπή
Καθηγήτρια Αικατερίνη Μανιά (επιβλέπουσα)
Καθηγητής Μιχαήλ Λαγουδάκης
Επίκουρος Καθηγητής Νικόλαος Γιατράκος

Περίληψη
Οι Διεπαφές Ανθρώπου-Ρομπότ είναι καθοριστικές για τη γεφύρωση του χάσματος μεταξύ ανθρώπων και ρομπότ, επιτρέποντας τη διαισθητική επικοινωνία και συνεργασία. Η ρομποτική διαδικασία επιλογής και τοποθέτησης (pick-and-place) αποτελεί τον πυρήνα του αυτόνομου χειρισμού. Όταν εκτελείται σε περιβάλλοντα με πολλά αντικείμενα ή αυξημένη πολυπλοκότητα, τα ρομπότ πρέπει να συνεκτιμούν την επιλεγμένη λαβή και τις επιθυμητές θέσεις τοποθέτησης, προκειμένου να διασφαλιστεί η επιτυχής εκτέλεση.
Η παρούσα διπλωματική εργασία παρουσιάζει ένα πλαίσιο επαυξημένης πραγματικότητας (AR) βασισμένο σε προσομοίωση, το οποίο είναι σχεδιασμένο να υποστηρίζει τον έλεγχο ενός ρομποτικού βραχίονα, καθοδηγούμενο από το βλέμμα, για εργασίες επιλογής και τοποθέτησης αντικειμένων. Η προτεινόμενη διεπαφή επιτρέπει στους χρήστες να επιλέγουν το αντικείμενο-στόχο είτε μέσω της παραμονής του βλέμματος (gaze dwell) είτε μέσω αλληλεπίδρασης με βλεφάρισμα (blink). Μόλις επιλεγεί ένα αντικείμενο, παράγονται υποψήφιες στάσεις λαβής από ένα ενσωματωμένο σύστημα Ανίχνευσης Θέσης Λαβής (Grasp Pose Detection - GPD) που λειτουργεί στο νέφος σημείων (point cloud) του αντικειμένου, παράγοντας τις δέκα κορυφαίες εφικτές διαμορφώσεις σύλληψης. Ωστόσο, δεδομένου ότι το σύστημα GPD δεν λαμβάνει υπόψη την πολυπλοκότητα της σκηνής, εκπαιδεύτηκε ένα μοντέλο μηχανικής μάθησης για να αξιολογεί τις παραγόμενες λαβές με βάση την καταλληλότητά τους μέσα στη δεδομένη σκηνή. Για τον καθορισμό της τοποθέτησης, ο χρήστης χειρίζεται έναν εικονικό κλώνο του επιλεγμένου αντικειμένου στον χώρο χρησιμοποιώντας την προσήλωση του βλέμματος (gaze fixation) και τον σταθεροποιεί στην επιθυμητή θέση τοποθέτησης μέσω βλεφαρίσματος. Αφού αποκτηθούν τόσο οι θέσεις λαβής όσο και τοποθέτησης, οι πληροφορίες αυτές μεταδίδονται στο Robot Operating System (ROS). Στη συνέχεια, ο σχεδιασμός της κίνησης και η παραγωγή της τροχιάς πραγματοποιούνται χρησιμοποιώντας το εργαλείο MoveIt, διασφαλίζοντας εκτέλεση χωρίς συγκρούσεις. Η προκύπτουσα τροχιά αποστέλλεται πίσω στο σύστημα, όπου ο χρήστης λαμβάνει οπτική ανατροφοδότηση σε πραγματικό χρόνο για το ρομπότ που εκτελεί την εργασία ή, σε περίπτωση αποτυχίας, ένα ενημερωτικό μήνυμα που υποδεικνύει την αιτία (π.χ., μη προσβάσιμος στόχος). Το προτεινόμενο πλαίσιο αξιολογήθηκε σε προσομοιωμένα σενάρια χειρισμού με δύο επίπεδα πολυπλοκότητας σκηνής. Τα αποτελέσματα καταδεικνύουν αξιόπιστη επιλογή αντικειμένου με βάση το βλέμμα, αποτελεσματική εκτέλεση της λαβής και αποδοτική ολοκλήρωση της εργασίας. Συνολικά, η εργασία αυτή συμβάλλει στους τομείς της επαυξημένης πραγματικότητας και του ρομποτικού χειρισμού, παρουσιάζοντας μια διεπαφή AR καθοδηγούμενη από το βλέμμα, η οποία ενσωματώνει την επιλογή λαβής μέσω μηχανικής μάθησης με τον σχεδιασμό κίνησης που βασίζεται στο ROS.

Abstract 
Human-Robot Interfaces are pivotal in bridging the gap between humans and robots, enabling intuitive communication and collaboration. Robotic pick-and-place constitutes the core of autonomous manipulation. When conducted in cluttered or complex environments, robots must jointly reason about the selected grasp and desired placement locations to ensure successful execution. This thesis presents a simulation-based augmented reality (AR) framework designed to support gaze-driven control of a robotic arm for object pick-and-place tasks. The proposed interface allows users to select the target object either through gaze dwell or blink interaction. Once an object is selected, candidate grasp poses are generated by an integrated Grasp Pose Detection (GPD) system operating on the object’s point cloud, producing the top ten feasible grasp configurations. However, since GPD does not take into consideration scene complexity, a machine learning model is trained to evaluate the generated grasps based on their suitability within the given scene. For placement specification, user manipulates a virtual clone of the selected object in space using gaze fixation and locks it at the desired placement position via blinking. After, both grasp and placement poses have been acquired, this information is transmitted to the Robot Operating System (ROS). Motion Planning and trajectory generation are then performed using MoveIt, ensuring collision-free execution. The resulting trajectory is sent back to the system, where user receives real-time visual feedback of the robot performing the task or, in the case of failure, an informative log indicating the cause (e.g., unreachable target). The proposed framework was evaluated in simulated manipulation scenarios with two levels of scene complexity. The results demonstrate reliable gaze-based object selection, effective grasp execution, and efficient task completion. Overall, this work contributes to the fields of augmented reality and robotic manipulation by presenting a gaze-driven AR interface that integrates learning-based grasp selection with ROS-based motion planning.

Meeting ID: 989 8380 3627
Passcode: 688370

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Αθανασίου Χριστόπουλου

με θέμα
Ομοσπονδιακή Βελτιστοποίηση Σμήνους Σωματιδίων (PSO) σε Μικροϋπηρεσίες Kafka Streams με χρήση DeepLearning4J
Federated Particle Swarm Optimization (PSO) on DeepLearning4J-powered Kafka Streams Microservices

Εξεταστική Επιτροπή
Επίκουρος Καθηγητής  Νικόλαος Γιατράκος (Επιβλέπων)
Καθηγητής Αντώνιος Δεληγιαννάκης
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς

Περίληψη
Η παρούσα διπλωματική εργασία παρουσιάζει ένα κατανεμημένο σύστημα για την εκπαίδευση νευρωνικών δικτύων με χρήση του αλγορίθμου Βελτιστοποίησης Σμήνους Σωματιδίων (Particle Swarm Optimization – PSO), ως εναλλακτική προσέγγιση στην μέθοδο η Στοχαστική Κατηφόρα Κλίση (Stochastic Gradient Descent – SGD). Το σύστημα υλοποιείται με χρήση των Apache Kafka και Kafka Streams, όπου οι εργαζόμενοι κόμβοι λειτουργούν ως ανεξάρτητα σωματίδια και επικοινωνούν ασύγχρονα μέσω Kafka, κάτι που επιτρέπει επίσης τη λειτουργία του σε ομοσπονδιακά (federated) περιβάλλοντα. Η προτεινόμενη αρχιτεκτονική είναι παραμετροποιήσιμη και επεκτάσιμη, υποστηρίζοντας διαφορετικές διαμορφώσεις του PSO, τρόπους επικοινωνίας και στρατηγικές εκπαίδευσης νευρωνικών δικτύων.
Σε αντίθεση με τις παραδοσιακές σύγχρονες υλοποιήσεις του PSO, το σύστημα λειτουργεί με ασύγχρονο τρόπο, επιτρέποντας στους εργαζόμενους κόμβους να ενημερώνουν τα μοντέλα τους ανεξάρτητα χωρίς καθολικό συγχρονισμό, γεγονός που βελτιώνει τον χρόνο εκπαίδευσης και την επεκτασιμότητα. Το σύστημα υποστηρίζει επίσης διαφορετικές στρατηγικές επικοινωνίας, συμπεριλαμβανομένης της καθολικής και της βασισμένης σε γειτονιές ανταλλαγής πληροφορίας, καθώς και μηχανισμούς φιλτραρίσματος επικοινωνίας, επιτρέποντας ευέλικτο έλεγχο της συμπεριφοράς του σμήνους.
Το σύστημα αξιολογήθηκε πειραματικά σε πολλαπλά σύνολα δεδομένων, με έμφαση τόσο στην ποιότητα πρόβλεψης όσο και στην απόδοση του συστήματος, συμπεριλαμβανομένου του χρόνου εκπαίδευσης και του επικοινωνιακού κόστους. Τα αποτελέσματα δείχνουν ότι η εκπαίδευση με PSO είναι εφικτή σε κατανεμημένα και ομοσπονδιακά περιβάλλοντα και ότι το προτεινόμενο σύστημα υποστηρίζει βελτιστοποίηση χωρίς παραγώγους και παράλληλη επεξεργασία, διατηρώντας παράλληλα ανταγωνιστική απόδοση.

Abstract 
This thesis presents a distributed system for training neural networks using Particle Swarm Optimization (PSO) as an alternative to conventional gradient-based methods, such as Stochastic Gradient Descent (SGD). It is implemented using Apache Kafka and Kafka Streams, where workers act as independent particles and communicate asynchronously through Kafka topics, which also enables operation in federated settings. The proposed architecture is configurable and extensible, supporting different PSO configurations, communication modes, and neural network training strategies.
Unlike traditional synchronous PSO implementations, the system operates in an asynchronous manner, allowing workers to update independently without global synchronization, which improves training time and scalability. The system also supports different communication strategies, including global, neighborhood-based information sharing and communication filtering, enabling flexible control over swarm behavior.
The system was evaluated experimentally on multiple datasets, with emphasis on both predictive quality and system performance, including training time and communication overhead. The results show that PSO training is feasible in distributed and federated settings and that the proposed system supports derivative-free and parallel optimization, while maintaining competitive performance.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Κωνσταντίνου Δώρα

με θέμα

Aσύγχρονος προγραμματισμός (Flow-based Programming) στον Ιστό των Πραγμάτων (Web of Things)
Asynchronous Flow-Based Programming in the Web of Things

Εξεταστική Επιτροπή
Καθηγητής Ευριπίδης Πετράκης
Επίκουρος Καθηγητής Νικόλαος Γιατράκος
Δρ Χρύσα Τσιναράκη (EU Council, ICT Application Coordinator and Analyst)

Περίληψη
Η παρούσα διπλωματική εργασία αφορά τον σχεδιασμό και την υλοποίηση ενός συστήματος προσομοίωσης έξυπνης κατοικίας, βασισμένου σε ασύγχρονη επικοινωνία. Η υλοποίηση πραγματοποιείται στην πλατφόρμα Node-RED και αξιοποιεί το πρότυπο AsyncAPI (έκδοση 3+) ως τυπικό συμβόλαιο επικοινωνίας μεταξύ των επιμέρους συνιστωσών.
Το AsyncAPI χρησιμοποιείται για τον ορισμό της δομής του επιπέδου ανταλλαγής μηνυμάτων, συμπεριλαμβανομένων των καναλιών επικοινωνίας, των σχημάτων δεδομένων και των προτύπων αλληλεπίδρασης publish–subscribe, παρέχοντας μια τυποποιημένη και μηχανικά αναγνώσιμη περιγραφή της επικοινωνίας, κατάλληλη για event-driven περιβάλλοντα του Διαδικτύου των Πραγμάτων (IoT).
Για την ενσωμάτωση του προτύπου, αναπτύχθηκε προσαρμοσμένος κόμβος στην πλατφόρμα Node-RED, ο οποίος υλοποιήθηκε ως έργο σε Node.js. Ο κόμβος αυτός είναι υπεύθυνος για τη σύνδεση με τον εξυπηρετητή MQTT, τη δημιουργία και διαχείριση των καναλιών επικοινωνίας (topics), καθώς και για την επικύρωση των ανταλλασσόμενων μηνυμάτων βάσει JSON Schema, διασφαλίζοντας τη συνέπεια και την ορθότητα των δεδομένων.
Στο πλαίσιο της προσομοίωσης, υλοποιείται ένα ολοκληρωμένο μοντέλο έξυπνης κατοικίας που περιλαμβάνει συστήματα φωτισμού, συστήματα θέρμανσης και κλιματισμού, οικιακές συσκευές, αισθητήρες περιβάλλοντος και έξυπνες πρίζες με δυνατότητες απομακρυσμένου ελέγχου και παρακολούθησης ενεργειακής κατανάλωσης. Επιπλέον, αξιοποιείται το OpenAPI για την υλοποίηση σύγχρονων λειτουργιών μέσω webhooks.
Τέλος, μέσω της χρήσης subflows στο Node-RED, το σύστημα επεκτείνεται για την προσομοίωση πολλαπλών κατοικιών, συγκροτώντας ένα εικονικό έξυπνο δίκτυο γειτονιάς. Η προσέγγιση αυτή επιτρέπει την κλιμάκωση του συστήματος και τη μελέτη της κατανεμημένης ενεργειακής κατανάλωσης, αναδεικνύοντας τα πλεονεκτήματα του specification-driven σχεδιασμού σε εφαρμογές IoT.

Abstract 
This thesis focuses on the design and implementation of a smart-home simulation system based on asynchronous communication. The system is developed on the Node-RED platform and utilizes the AsyncAPI standard (version 3+) as a formal communication contract between distributed components.
AsyncAPI is used to define the structure of the messaging layer, including communication channels, data schemas, and publish–subscribe interaction patterns, providing a standardized and machine-readable description of communication, suitable for event-driven Internet of Things (IoT) environments.
To integrate this standard, a custom node was developed within Node-RED, implemented as a project in Node.js. This node is responsible for establishing the connection to the MQTT server, creating and managing communication channels (topics), and validating exchanged messages based on JSON Schema, ensuring the consistency and correctness of the exchanged data.
Within the simulation, a comprehensive smart-home model is implemented, including lighting systems, heating and cooling systems, household appliances, environmental sensors, and smart plugs that enable remote control and energy consumption monitoring. Furthermore, OpenAPI is utilized to implement synchronous operations through webhooks.
Finally, by using subflows in Node-RED, the system is extended to simulate multiple smart homes, forming a virtual smart neighborhood. This approach enables system scalability and supports the analysis of distributed energy consumption, highlighting the advantages of specification-driven design in IoT applications.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Κωνσταντίνου Όντρια

με θέμα
Βραχυπρόθεσμη Πρόβλεψη Χρηματοοικονομικών Δεδομένων με Χρήση Μοντέλων Χρονοσειρών και Μεθόδων Μηχανικής Μάθησης
Short-Term Forecasting of Financial Market Data Using Time Series Models and Machine Learning Methods

Εξεταστική Επιτροπή
Καθηγητής Διονύσιος Χριστόπουλος (επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης
Δρ. Σοφία Τσακιρίδου (Σχολή ΗΜΜΥ, ΕΔΙΠ)

Περίληψη
Οι χρηματοοικονομικές αγορές έχουν παραδοσιακά θεωρηθεί ως ένας από τους βασικούς δείκτες οικονομικής δραστηριότητας, με τις αγορές μετοχών να προσελκύουν ιδιαίτερη προσοχή, καθώς οι τιμές των μετοχών αντανακλούν την αγοραία αξία μιας επιχείρησης, την αναμενόμενη μελλοντική της κερδοφορία, τις προοπτικές ανάπτυξης και τους επενδυτικούς κινδύνους που αντιμετωπίζει, καθώς και τις ευρύτερες οικονομικές συνθήκες. Συνεπώς, η προσπάθεια πρόβλεψης των τιμών καθώς και των αποδόσεων των μετοχών θεωρείται μία από τις πιο σύνθετες προκλήσεις στη σύγχρονη χρηματοοικονομική οικονομική θεωρία. Σύμφωνα με την Υπόθεση της Αποτελεσματικής Αγοράς (Fama, 1970), οι χρηματοοικονομικές αγορές είναι πληροφοριακά αποτελεσματικές, γεγονός που συνεπάγεται ότι οι τιμές των μετοχών ενσωματώνουν πλήρως όλες τις δημόσια διαθέσιμες πληροφορίες, με αποτέλεσμα οι επενδυτές να μην μπορούν να επιτυγχάνουν συστηματικά υπερβάλλουσες αποδόσεις. Παραδοσιακά, για σκοπούς πρόβλεψης χρησιμοποιούνται οικονομετρικά μοντέλα χρονοσειρών, όπως το μοντέλο Αυτοπαλίνδρομου Ολοκληρωμένου Κινητού Μέσου Όρου (Autoregressive Integrated Moving Average – ARIMA). Ωστόσο, δεδομένου ότι τα χρηματοοικονομικά δεδομένα συχνά παρουσιάζουν το φαινόμενο της συσσώρευσης της μεταβλητότητας (volatility clustering), εφαρμόζονται συχνά επεκτάσεις όπως τα μοντέλα ARIMA-GARCH για την καλύτερη αποτύπωση της δυναμικής της αγοράς. Παράλληλα, τα τελευταία χρόνια τεχνικές μηχανικής μάθησης εφαρμόζονται ολοένα και περισσότερο στην πρόβλεψη χρηματοοικονομικών δεδομένων. Ιδιαίτερα, ο αλγόριθμος Extreme Gradient Boosting (XGBoost) έχει αναδειχθεί σε ένα ισχυρό εργαλείο πρόβλεψης, λόγω της ικανότητάς του να διαχειρίζεται μη γραμμικές σχέσεις και χώρους χαρακτηριστικών υψηλών διαστάσεων. 
Παρακινούμενη από τις  παραπάνω εξελίξεις, η παρούσα διπλωματική εργασία αξιολογεί την ακρίβεια πρόβλεψης των μοντέλων ARIMA, ARIMA-GARCH και XGBoost χρησιμοποιώντας δεδομένα μετοχών πέντε μεγάλων αμερικανικών εταιρειών, οι οποίες αντιπροσωπεύουν διαφορετικούς τομείς της οικονομίας. Συγκεκριμένα, εξετάζονται μετοχές των εταιρείων Apple Inc. (AAPL), Microsoft Corp. (MSFT), Exxon Mobil Corp. (XOM), JPMorgan Chase & Co. (JPM), και The Coca-Cola Company (KO). Οι προβλέψεις των ημερήσιων λογαριθμικών αποδόσεων πραγματοποιούνται με τη χρήση ενός πλαισίου κυλιόμενης πρόβλεψης ενός βήματος ώστε να προσομοιωθούν ρεαλιστικές συνθήκες πρόβλεψης εκτός δείγματος, ενώ η ακρίβεια των μοντέλων αξιολογείται με τη χρήση μετρικών ακρίβειας πρόβλεψης. Τα αποτελέσματα δείχνουν ότι η ακρίβεια πρόβλεψης εξαρτάται τόσο από τα χαρακτηριστικά των μετοχών που περιλαμβάνονται στο υπό εξέταση χαρτοφυλάκιο όσο και από τις προδιαγραφές του εκάστοτε μοντέλου. Παρότι το μοντέλο ARIMA είναι ικανό να αποτυπώσει γραμμικές σχέσεις, το υβριδικό μοντέλο ARIMA–GARCH αποτελεί απαραίτητη επέκταση του βασικού μοντέλου ARIMA, καθώς επιτρέπει τη βελτίωση των προβλέψεων λαμβάνοντας υπόψη και το φαινόμενο της συσσώρευσης μεταβλητότητας. Τέλος, το μοντέλο XGBoost επιτυγχάνει ελαφρώς υψηλότερη ακρίβεια στις προβλέψεις του σε σύγκριση με τα υπόλοιπα μοντέλα, ιδιαίτερα όταν το σύνολο χαρακτηριστικών ιδιοτήτων εμπλουτίζεται με  πρόσθετα χαρακτηριστικά (engineered features) και εξωτερικούς δείκτες της αγοράς. Ωστόσο, τα κέρδη ως προς την ακρίβεια πρόβλεψης παραμένουν οριακά σε σύγκριση με το μοντέλο αναφοράς του τυχαίου περιπάτου (random walk). Τα αποτελέσματα δείχνουν ότι, παρότι το μοντέλο μηχανικής μάθησης μπορεί να προσφέρει μια ελάχιστα αυξημένη προβλεπτική ικανότητα, η συνολική συμπεριφορά των αποδόσεων των μετοχών παραμένει συμβατή με την Υπόθεση της Αποτελεσματικής Αγοράς.

Abstract 
Financial markets have traditionally been perceived as one of the major indicators of economic activity, with the equity markets attracting particular attention, as stock prices reflect the market value of a company, its expected future profitability, growth potential, and risk, as well as broader economic conditions. Therefore, forecasting stock prices and returns is considered one of the most important challenges in today's financial economics. According to the Efficient Market Hypothesis (Fama 1970), financial markets are informationally efficient, implying that asset prices fully reflect all publicly available information; this means that investors cannot systematically generate abnormal profits. Traditionally, econometric time series models, such as the Autoregressive Integrated Moving Average (ARIMA) model, are used for forecasting purposes. However, considering that financial data often exhibit volatility clustering, extensions such as ARIMA–GARCH models are frequently applied to better capture market dynamics. Furthermore, in recent years, machine learning techniques have also been increasingly applied in financial forecasting. In particular, Extreme Gradient Boosting (XGBoost) has emerged as a powerful predictive tool, owing to its ability to handle non-linear relationships and high-dimensional feature spaces. 
Motivated by these developments, this dissertation evaluates the forecasting performance of ARIMA, ARIMA–GARCH, and XGBoost models, using daily stock data from five major U.S. corporations representing various sectors of the economy: Apple Inc. (AAPL), Microsoft Corp. (MSFT), Exxon Mobil Corp. (XOM), JPMorgan Chase & Co. (JPM), and The Coca-Cola Company (KO). Forecasts of daily log-returns are generated using a rolling one-step-ahead framework to simulate realistic out-of-sample prediction conditions, and model performance is evaluated using standard forecasting accuracy metrics. The results indicate that predictive accuracy depends on the characteristics of the assets included in the portfolio and the specifications used in the model. Although the ARIMA model can capture linear relationships, the ARIMA-GARCH hybrid model is a necessary extension of the baseline ARIMA model, which can provide enhanced predictions by also accounting for volatility clustering. Finally, the XGBoost model provides slightly higher predictive accuracy compared to the other models, especially if the feature set is enriched with engineered variables and external market indicators. However, the predictive accuracy gains are marginal compared to the random walk model. Overall, the results indicate that even if the machine learning model can provide some predictive accuracy, the overall behavior of the stocks is consistent with the Efficient Market Hypothesis.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ανδρέα Λοπάτα

με θέμα

Αλγόριθμοι Ομαδοποίησης για την Βέλτιστη Τοποθέτηση Μικροϋπηρεσιών στο Kubernetes 
Clustering Algorithms for Optimal Microservices Scheduling in Kubernetes

Εξεταστική Επιτροπή
Καθηγητής Ευριπίδης Πετράκης (επιβλέπων)
Καθηγητής Γεώργιος Χαλκιαδάκης
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς

Περίληψη
Η ευρεία υιοθέτηση της αρχιτεκτονικής μικροϋπηρεσιών στις σύγχρονες εφαρμογές έχει οδηγήσει σε σημαντικές προκλήσεις όσον αφορά τη διαχείριση και την ενορχήστρωση αυτών των υπηρεσιών. Το Kubernetes, ένα εργαλείο για την ενορχήστρωση containerized εφαρμογών, έχει καταστεί μια δημοφιλής επιλογή για τη διαχείριση μικροϋπηρεσιών. Ένα Kubernetes cluster αποτελείται από Nodes (VMs) που μπορούν να περιέχουν ένα ή περισσότερα pods. Κάθε pod μπορεί να περιέχει μία ή περισσότερες μικροϋπηρεσίες.
Για την τοποθέτηση αυτών των pods στα Nodes, το Kubernetes χρησιμοποιεί έναν default scheduler που λαμβάνει αποφάσεις με βάση τα αιτήματα και τα όρια πόρων. Αυτή η default στρατηγική τοποθέτησης είναι στατική και δεν λαμβάνει υπόψη τις αλλαγές στο workload, γεγονός που μπορεί να οδηγήσει σε μη βέλτιστες τοποθετήσεις. Πολλές στρατηγικές τοποθέτησης έχουν προταθεί για τη βελτιστοποίηση της τοποθέτησης των pods στο cluster, ωστόσο οι περισσότερες είναι στατικές και δεν προσαρμόζονται στις μεταβολές του workload, οδηγώντας σε λύσεις που ενδέχεται να μην είναι βέλτιστες.
Στην παρούσα εργασία προτείνουμε μια δυναμική στρατηγική τοποθέτησης που χρησιμοποιεί έναν incremental density-based clustering algorithm, προκειμένου να ενημερώνει δυναμικά την τοποθέτηση των μικροϋπηρεσιών σε απόκριση στις αλλαγές του workload.
Για την αξιολόγηση της απόδοσης της προτεινόμενης adaptive στρατηγικής, τη συγκρίνουμε με μια στατική στρατηγική τοποθέτησης που χρησιμοποιεί τον ίδιο density-based clustering algorithm, αλλά χωρίς προσαρμογή στις μεταβολές του workload. Χρησιμοποιούνται δύο benchmark εφαρμογές, το Google Online Boutique (eShop) και το iXen, οι οποίες αναπτύσσονται σε ένα πραγματικό Kubernetes cluster στο GCP.
Τα πειραματικά αποτελέσματα δείχνουν ότι η δυναμική προσέγγιση μειώνει σημαντικά το εξερχόμενο traffic και βελτιώνει τον χρόνο απόκρισης σε σύγκριση με τη στατική προσέγγιση. Επιπλέον, η δυναμική μέθοδος τοποθέτησης επιτυγχάνει χαμηλότερο χρόνο εκτέλεσης και μειωμένη χρήση CPU, οδηγώντας σε μικρότερο υπολογιστικό κόστος σε σχέση με την επανεκτέλεση της στατικής μεθόδου, καθιστώντας την κατάλληλη για real-time δυναμική τοποθέτηση μικροϋπηρεσιών.

Abstract 
The widespread adoption of microservices-based architecture in modern applications has led to significant challenges in managing and orchestrating these services effectively. Kubernetes, a tool for orchestrating containerized applications, has become a popular choice for managing microservices. A Kubernetes cluster consists of Nodes(VMs) that can host one or more pods. Each pod can contain one or more microservices.
To allocate these pods on the Nodes, Kubernetes uses a default scheduler that makes placement decisions based on resource requests and limits. This default placement strategy is a static one and does not take into account the workload changes so it can lead to suboptimal placements. Many placement strategies have been proposed to optimize the placement of the pods in the cluster, but most of them are static and do not adapt to changing workloads leading to placements that may not be optimal.
In our work we propose an adaptive placement strategy that uses an incremental density-based clustering algorithm to update the placement of microservices in response to workload changes.
To evaluate the performance of our adaptive placement strategy, we compare it with a static placement strategy that uses the same clustering density-based algorithm but does not adapt to workload changes. Two benchmarks applications are used, Google’s Online Boutique eShop and iXen, which are deployed on a real Kubernetes cluster in GCP. Experimental results demonstrate that the adaptive clustering approach significantly reduces egress traffic and improves response time compared to the static approach. Furthermore, the adaptive placement method achieves lower execution time and CPU utilization leading to lower overhead cost, compared to rerunning the static placement method, making it suitable for real-time adaptive microservice placement.

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Θωμά Λάγκαλη

με θέμα

Προστασία Ιδιωτικότητας σε Ομοσπονδιακή Μάθηση
Privacy Preservation in Federated Learning

Εξεταστική Επιτροπή
Καθηγητής Αθανάσιος Λιάβας (επιβλέπων)
Καθηγητής Γεώργιος Καρυστινός
Καθηγητής Θρασύβουλος Σπυρόπουλος 

Περίληψη
Η μηχανική μάθηση επιτυγχάνει πλέον κορυφαία απόδοση σε ένα ευρύ φάσμα εφαρμογών, ωστόσο η εκπαίδευση των μοντέλων βασίζεται συχνά σε μεγάλα σύνολα δεδομένων που περιέχουν ευαίσθητες πληροφορίες, δημιουργώντας σημαντικές προκλήσεις ως προς την προστασία της ιδιωτικότητας. Η Ομοσπονδιακή Μάθηση (Federated Learning) έχει αναδειχθεί ως μία κατανεμημένη αρχιτεκτονική εκπαίδευσης που μειώνει τον κίνδυνο αυτό, αποφεύγοντας τη συγκέντρωση των ακατέργαστων δεδομένων σε κεντρικούς εξυπηρετητές.
Παρ’ όλα αυτά, πρόσφατες μελέτες έχουν δείξει ότι η διαρροή πληροφοριών παραμένει δυνατή τόσο σε κεντρικοποιημένα όσο και σε ομοσπονδιακά σενάρια εκπαίδευσης μέσω επιθέσεων που επιχειρούν την ανακατασκευή δεδομένων εκπαίδευσης από τα εκπαιδευμένα μοντέλα ή από τις παραγώγους.
Η παρούσα διπλωματική εργασία διερευνά τη χρήση του πλαισίου της Διαφορικής Ιδιωτικότητας (Differential Privacy) ως μιας θεμελιωμένης μαθηματικά προσέγγισης για τον περιορισμό της διαρροής πληροφορίας. Η Διαφορική Ιδιωτικότητα παρέχει θεωρητικές εγγυήσεις προστασίας περιορίζοντας την επίδραση κάθε μεμονωμένης εγγραφής του συνόλου εισόδου στα αποτελέσματα του αλγορίθμου μέσω της προσθήκης κατάλληλου θορύβου, εισάγοντας έναν αναπόφευκτο συμβιβασμό μεταξύ ιδιωτικότητας και απόδοσης του μοντέλου.
Στο πλαίσιο της εργασίας πραγματοποιείται θεωρητική και πειραματική μελέτη μηχανισμών διαφορικά ιδιωτικής εκπαίδευσης τόσο σε κλασικά μοντέλα μηχανικής μάθησης όσο και σε σενάρια Ομοσπονδιακής Μάθησης. Συγκεκριμένα, εξετάζονται τεχνικές perturbation εξόδου (output perturbation), perturbation αντικειμενικής συνάρτησης (objective perturbation) και perturbation παραγώγων (gradient perturbation) στο πλαίσιο μοντέλων softmax regression, ενώ σε περιβάλλον Ομοσπονδιακής Μάθησης αξιολογούνται διαφορικά ιδιωτικοί μηχανισμοί βασισμένοι στο perturbation παραγώγων. Οι κίνδυνοι διαρροής αξιολογούνται μέσω επιθέσεων Model Inversion σε μοντέλα softmax regression και επιθέσεων Deep Leakage from Gradients (DLG και iDLG) σε ομοσπονδιακά σχήματα εκπαίδευσης, χρησιμοποιώντας σύνολα δεδομένων εικόνων όπως τα MNIST και CIFAR-10.
Τα πειραματικά αποτελέσματα παρέχουν μια αναλυτική αξιολόγηση του συμβιβασμού μεταξύ ιδιωτικότητας και απόδοσης για διαφορετικές τιμές του προϋπολογισμού ιδιωτικότητας (privacy budget) και διαφορετικές ρυθμίσεις εκπαίδευσης, αναδεικνύοντας τον τρόπο με τον οποίο η Διαφορική Ιδιωτικότητα περιορίζει την επιτυχία επιθέσεων ανακατασκευής, επηρεάζοντας παράλληλα την ακρίβεια και τη ταχύτητα σύγκλισης των μοντέλων. Συνολικά, η εργασία προσφέρει μια ολοκληρωμένη θεωρητική και πειραματική ανάλυση της προστασίας ιδιωτικότητας στη μηχανική μάθηση και στην Ομοσπονδιακή Μάθηση υπό εγγυήσεις Διαφορικής Ιδιωτικότητας, συμβάλλοντας στην κατανόηση της ασφαλούς ανάπτυξης κατανεμημένων συστημάτων μάθησης.

Abstract 
Machine learning models achieve state-of-the-art performance across a wide range of applications, but their reliance on large datasets containing sensitive personal information raises significant privacy concerns. Federated Learning has emerged as a distributed training paradigm that mitigates some of these risks by avoiding the centralization of raw data. However, recent studies have demonstrated that privacy leakage remains possible in both centralized and federated settings through inference attacks that reconstruct information about the training data from trained models or exchanged gradients.
This thesis investigates the use of Differential Privacy as a framework for limiting information leakage during the training process. Differential Privacy provides formal guarantees by bounding the influence of individual training records through the introduction of carefully calibrated noise, leading to a fundamental trade-off between model privacy and utility. We present a theoretical and experimental study of differentially private learning mechanisms in both standard machine learning and federated learning environments. In particular, (1) output perturbation, objective perturbation, and gradient perturbation techniques are analyzed in the context of softmax regression models, and (2) differentially private gradient-based mechanisms are evaluated within Federated Learning. Privacy risks are assessed using Model Inversion attacks against softmax regression models and Deep Leakage from Gradients (DLG and iDLG) attacks against federated learning schemes on image datasets such as MNIST and CIFAR-10.
The experimental results provide a detailed evaluation of the privacy–utility trade-off under different privacy budgets and training configurations, demonstrating how Differential Privacy mitigates reconstruction attacks while affecting model accuracy and convergence. Overall, this thesis presents a comprehensive theoretical and empirical analysis of privacy-preserving machine learning and federated learning under Differential Privacy guarantees, providing practical insight into the deployment of secure distributed learning systems. 

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Μαρίας Νικολούδη

με θέμα

Διατήρηση Απορρήτου σε Ομοσπονδιακή Μάθηση 
Privacy Preservation in Federated Learning

Εξεταστική Επιτροπή
Καθηγητής Αθανάσιος Λιάβας (Επιβλέπων)
Καθηγητής Γεώργιος Καρυστινός
Καθηγητής Μηχαήλ Λαγουδάκης

Περίληψη
Η διαδεδομένη χρήση τεχνικών μηχανικής μάθησης σε διάφορους τομείς έχει εγείρει σοβαρές ανησυχίες σχετικά με την ιδιωτικότητα των χρηστών. Η Ομοσπονδιακή Μάθηση έχει αναδειχθεί ως λύση, καθώς επιτρέπει την εκπαίδευση των νευρωνικών δικτύων μέσω παραλλαγών του αλγορίθμου Stochastic Gradient Descent και του διαμοιρασμού ενημερώσεων μοντέλων χωρίς να εκθέτει τα πρωτογενή δεδομένα. Ωστόσο, πρόσφατες μελέτες επισημαίνουν την δυνατότητα απειλής για την ασφάλεια των χρηστών που προκύπτει από επιθέσεις που μπορούν να ανακατασκευάσουν δεδομένα αντιστρέφοντας τις διαμοιραζόμενες κλίσεις (gradients). Η παρούσα διπλωματική εργασία εξετάζει τις πιθανές απειλές αξιολογώντας διεξοδικά τις σύγχρονες επιθέσεις αντιστροφής κλίσης και προτείνοντας έναν πιθανό μηχανισμό άμυνας για τον περιορισμό των κινδύνων.
Η αξιολόγηση επιτυγχάνεται χρησιμοποιώντας διάφορα μοντέλα νευρωνικών δικτύων εκπαιδευμένα στο σύνολο δεδομένων MNIST. Οι επιθέσεις διεξάγονται σε διάφορα στάδια της εκπαίδευσης και η αποτελεσματικότητά τους ποσοτικοποιείται συγκρίνοντας τις ανακατασκευασμένες εικόνες με τις πρωτότυπες, χρησιμοποιώντας καθιερωμένες μετρικές. Επιπλέον, παρουσιάζεται μία νέα παραλλαγή της αρχικής επίθεσης {Deep Leakage from Gradients, που ονομάζεται Normalized Deep Leakage from Gradients και βελτιώνει σημαντικά την ποιότητα της ανακατασκευής των εικόνων. Τα πειραματικά αποτελέσματα καταδεικνύουν ότι ο διαμοιρασμός των κλίσεων θέτει σε κίνδυνο την ιδιωτικότητα των χρηστών, ενώ παράλληλα αναδεικνύουν την άμεση εξάρτηση της αποτελεσματικόητας των επιθέσεων από την αρχιτεκτονική πολυπλοκότητα των νευρωνικών δικτύων, το μέγεθος του batch που χρησιμοποιείται και το στάδιο της εκπαίδευσης.
Ο προτεινόμενος μηχανισμός άμυνας είναι εμπνευσμένος από τη διαφορική ιδιωτικότητα (Differential Privacy) και περιλαμβάνει την προσθήκη γκαουσιανού θορύβου ανάλογου του μέτρου της κλίσης. Ο μηχανισμός έχει σχεδιαστεί ώστε να ελαχιστοποιεί τη διαρροή πληροφορίας χωρίς να επηρεάζει σημαντικά την απόδοση της εκπαίδευσης. Τα πειραματικά αποτελέσματα δείχνουν ότι ο συνδυασμός πολύπλοκων αρχιτεκτονικών με μεγαλύτερα μεγέθη batch, συμβάλλει σημαντικά στη διατήρηση του απορρήτου των χρηστών με ελάχιστη επίδραση στην απόδοση του μοντέλου. 
Εν κατακλείδι, η εργασία αυτή παρέχει μία ολοκληρωμένη ανάλυση των πιθανών κινδύνων για την ιδιωτικότητα των χρηστών που προκύπτουν από τον διαμοιρασμό των κλίσεων. Προσδιορίζοντας τόσο τις δυνατότητες όσο και τους περιορισμούς των επιθέσεων, σε συνδυασμό με την πρόταση ενός αμυντικού μηχανισμού, αναδεικνύονται τρόποι με τους οποίους μπορεί να ενισχυθεί η ιδιωτικότητα των χρηστών. Τα ευρήματα αυτής της εργασίας όχι μόνο αναγνωρίζουν τους πιθανούς κινδύνους για την ιδιωτικότητα αλλά χτίζουν και τα θεμέλια για μελλοντική έρευνα προς πιο ασφαλή συστήματα. 

Abstract 
The widespread adoption of machine learning techniques in various fields has raised serious concerns regarding the user data privacy. Federated Learning has emerged as a solution, since it enables training neural networks by sharing model updates without exposing raw user data. However, recent studies have highlighted potential vulnerabilities, introduced by gradient inversion attacks, demonstrating data reconstruction from shared gradients. This thesis studies this topic by comprehensively evaluating state-of-the-art gradient inversion attacks and testing a potential defense mechanism to mitigate the risks.
The evaluation is conducted using multiple neural network models trained on the MNIST dataset. The attacks are launched during different stages of training and their effectiveness is quantified by comparing reconstructed images with original ones using established similarity metrics. Furthermore, a variant of the original Deep Leakage from Gradients is introduced, termed Normalized Deep Leakage from Gradients, which significantly improves the reconstruction quality. Experimental results reveal substantial information leakage from gradients, while also demonstrating that attack performance is heavily influenced by the model's architectural complexity, batch size and training stage. 
The proposed defense mechanism is inspired by differential privacy and involves injecting Gaussian noise proportional to the gradient norm. The defense is designed to minimize the information leakage while preserving the training dynamics. Experimental results indicate that when combined with  more complex model architectures and larger batch sizes, the user privacy is preserved with a minimal impact on the model performance. 
In conclusion, this thesis provides a comprehensive study of potential privacy vulnerabilities arising from gradient sharing. Identifying both the strengths and limitations of gradient inversion attacks, alongside with a proposed defense mechanism, this work provides insight for preserving user privacy. The findings not only highlight the privacy risks, but also build a foundation for future research toward more robust systems. 

Presentation of  the Research Work Erasmus+ (practice)

by Erasmus+ MSc student Piergiorgio Ferraro titled:

Generalized Quantum Walks: Randomness and Fock-state Lattices

Supervisor
Professor ret. Dimosthenis Ellinas 

Abstract 
We first propose a framework that bridges the definitions of discrete-time and continuous-time quantum walks on the line, which we call here time-parametrized quantum walk. In this context, we investigate the consequences of decreasing the time step in different scenarios, among others the usual unitary evolution, but also a stochastic one with the introduction of decoherence. We introduce another generalization by defining quantum walks on Fock-state lattices (FSLs). Using the setup and the properties discussed for time-parameterized quantum walk on the line, we investigate the dynamics of quantum walks on FSLs, again via unitary and stochastic evolution.
 

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Μιχαήλ - Μάριου Χανιώτη

με θέμα
Αναλυτική Μοντελοποίηση Σύγχρονης Γεννήτριας Μονίμων Μαγνητών υπό Υγιή και Εσφαλμένη Λειτουργία με την Μέθοδο των Μαγνητικών Κυκλωμάτων
Analytical Modeling of Synchronous Permanent Magnet Generator under Healthy and Faulty Operation via Magnetic Equivalent Circuits

Εξεταστική Επιτροπή
Καθηγητής Κωσταντίνος Γυφτάκης (επιβλέπων)
Επίκουρος Καθηγητής Γεώργιος Πέππας
Δρ Ελευθερία Σεργάκη (ΕΔΙΠ)

Περίληψη
Καθώς η παγκόσμια ζήτηση για ενέργεια συνεχίζει να αυξάνεται, η ανάπτυξη τεχνολογιών παραγωγής ηλεκτρικής ισχύος υψηλής απόδοσης και αξιοπιστίας κρίνεται εξαιρετικά κρίσιμη. Οι Μηχανές Μόνιμου Μαγνήτη (PMMs) αποτελούν μια κορυφαία λύση λόγω της ανώτερης απόδοσης και του συμπαγούς σχεδιασμού τους. Ωστόσο, το υψηλό κόστος των μαγνητών σπάνιων γαιών και ο κίνδυνος λειτουργικών σφαλμάτων καθιστούν αναγκαία την ανάπτυξη ακριβών και χρονικά αποδοτικών προγνωστικών μοντέλων για τη βελτιστοποίηση της απόδοσης και τη διασφάλιση της αξιοπιστίας.
Η παρούσα διπλωματική εργασία παρουσιάζει ένα γενικευμένο αναλυτικό πλαίσιο για τη μοντελοποίηση και την ανάλυση των Μηχανών Μόνιμου Μαγνήτη με βάση τη μέθοδο των Μαγνητικών Ισοδύναμων Κυκλωμάτων (MEC). Η προτεινόμενη προσέγγιση αναπαριστά την ηλεκτρομαγνητική γεωμετρία της μηχανής ως ένα δίκτυο μαγνητικών αντιδράσεων (reluctances) και πηγών μαγνητοκινητικής δύναμης, αποτυπώνοντας την κατανομή της μαγνητικής ροής και τις μη γραμμικότητες των υλικών με υψηλή ακρίβεια.
Η αποτελεσματικότητα αυτής της μεθοδολογίας επικυρώνεται μέσω μιας ολοκληρωμένης σύγκρισης με τη Μέθοδο Πεπερασμένων Στοιχείων (FEA) και εναλλακτικές αναλυτικές μεθόδους. Τα αποτελέσματα υπογραμμίζουν την ικανότητα της προσέγγισης MEC να παρέχει αξιόπιστες προβλέψεις απόδοσης με σημαντικά μειωμένη υπολογιστική προσπάθεια σε σύγκριση με τις αριθμητικές τεχνικές. Αυτά τα ευρήματα αποδεικνύουν ότι το προτεινόμενο μοντέλο αποτελεί ένα πολύτιμο εργαλείο για τη βελτιστοποίηση του σχεδιασμού σε αρχικό στάδιο, την παραμετρική ανάλυση και την ανάπτυξη προηγμένων συστημάτων παρακολούθησης κατάστασης (condition monitoring) για τις σύγχρονες ηλεκτρικές μηχανές.

Abstract 
As global energy demand continues to rise, the development of highly efficient and reliable electrical power generation technologies is critical. Permanent Magnet Machines (PMMs) represent a leading solution due to their superior efficiency and compact design. However, the high cost of rare-earth magnets and the risk of operational faults necessitate the development of accurate, time-efficient predictive models to optimize performance and ensure reliability. 
This thesis presents a generalized analytical framework for the modeling and analysis of PMMs based on the Magnetic Equivalent Circuit (MEC) method. The proposed approach represents the machine's electromagnetic geometry as a network of reluctances and magnetomotive force sources, capturing magnetic flux distribution and material non-linearities with high precision. 
The effectiveness of this methodology is validated through a comprehensive comparison with Finite Element Analysis (FEA) and alternative analytical methods. The results highlight the capability of the MEC approach to provide reliable performance predictions with significantly reduced computational effort compared to numerical techniques. These findings demonstrate that the proposed model is a valuable tool for early-stage design optimization, parametric analysis, and the development of advanced condition monitoring systems for modern electrical machines.

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.