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

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.