Κοινότητες στην ΠΥΞΙΔΑ
Επιλέξτε μια κοινότητα για να περιηγηθείτε στις συλλογές της.
Πρόσφατες Υποβολές
Process-aware insider threat detection using Windows event logs
(2025-06-23) Μανδηλαράς, Αλέξανδρος; Mandilaras, Alexandros; Douskas, Theodoros; Stergiopoulos, George; Gkritzalis, Dimitrios
Η παρούσα διπλωματική προτείνει μια process-aware μεθοδολογία για την ανίχνευση ύποπτης δραστηριότητας σε εταιρικά συστήματα μέσω ανάλυσης αρχείων καταγραφής συμβάντων (event logs) των Windows. Στόχος είναι ο εντοπισμός εσωτερικών απειλών, μοντελοποιώντας και αναλύοντας τη συμπεριφορά των χρηστών χρησιμοποιόντας τεχνικές process mining. Για τον σκοπό αυτό, τα αρχεία καταγραφής των Windows συλλέγονται από όλους τους χρήστες και Windows συστήματα ενος οργανισμού και μετατρέπονται σε μορφή συμβατή για τις τεχνικές process mining που θα πραγματοποιηθούν. Τα μοντέλα διαδικασιών (process models) παράγονται με εργαλεία όπως το ProM ή με την προγραμματιστική γλώσσα Python και τις αντίστοιχες βοηθητικές βιβλιοθήκες που αφορούν το process mining (PM4PY). Τα μοντέλα αυτά βοηθούν στην οπτικοποίηση και ανάλυση της συχνότητας, του χρόνου και της ακολουθίας συμβάντων που σχετίζονται με συγκεκριμένους χρήστες ή συστήματα. Λιγότερο συχνές διαδικασίες επισημαίνονται για περαιτέρω ανάλυση, βάσει της υπόθεσης ότι οι κακόβουλες ή μη εξουσιοδοτημένες ενέργειες εμφανίζονται σπανιότερα από ενέργειες ρουτίνας που εκτελούνται καθημερινά σε έναν οργανισμό. Οι χρονικές στιγμές (timestamps) θεωρούνται χρήσιμες μόνο όταν αποκαλύπτουν ενέργειες εκτός εργασιακού ωραρίου, οι οποίες αντιμετωπίζονται ως δυνητικά ύποπτες. Επαναλαμβανόμενες δραστηριότητες όπως η εκτέλεση μιας ενέργειας πολλαπλές φορές σε ένα συγκεκριμένο χρονικό διάστημα (L1 loops), βοηθούν στον εντοπισμό επιθέσεων brute-force ή γενικότερα αυτοματοποιημένων επιθέσεων. Απομονωμένες ακολουθίες συμβάντων χωρίς λογική σύνδεση με άλλα συμβάντα μπορεί επίσης να υποδεικνύει προσπάθειες μη εξουσιοδοτημένης πρόσβασης ή κακή χρήση του συστήματος. Τα αποτελέσματα δείχνουν ότι η μέθοδος μπορεί να αναδείξει αποτελεσματικά ανωμαλίες που συνδέονται με μια ύποπτη δραστηριότητα. Με την συλλογή των συμβάντων σε ένα κεντρικό σημείο και την αυτοματοποιημένη επεξεργασία τους, η προσέγγιση αυτή προσφέρει μια πρακτική πορεία προς την παρακολούθηση ύποπτων δραστηριοτήτων και απειλών μέσα σε ένα εταιρικό περιβάλλον σε πραγματικό χρόνο. Μετέπειτα έρευνες, πέρα από το scope της παρούσας εργασίας, μπορούν στη συνέχεια να ξεκινούν κατά περίπτωση.
Offshoring and outsourcing activity of MNES: firm resources, supply chains and employment implications
(2025-03-28) Σταυροπούλου, Μυρτώ; Stavropoulou, Myrto; MILLIOU, CHRYSOVALANTOU; KATSIMI, MARGARITA; Chatzipanagiotou, Panagiotis
Η ανάθεση εργασιών σε εξωτερικούς συνεργάτες (outsourcing) και η μεταφορά δραστηριοτήτων στο εξωτερικό (offshoring) έχουν αναδειχθεί σε κρίσιμες στρατηγικές για τις πολυεθνικές επιχειρήσεις (MNEs) στο πλαίσιο μιας παγκόσμιας οικονομίας. Η παρούσα διατριβή εξετάζει θεωρητικές και εμπειρικές πτυχές αυτών των πρακτικών, εστιάζοντας στον αντίκτυπό τους στους επιχειρησιακούς πόρους, στο διατηρήσιμο συγκριτικό πλεονέκτημα, στην εξειδίκευση στις παγκόσμιες αλυσίδες αξίας, στα εμπορικά εμπόδια και στους μισθούς. Η μελέτη βασίζεται σε συστηματική ανασκόπηση της βιβλιογραφίας και σε εις βάθος ανάλυση περίπτωσης της εταιρείας IBM, με στόχο την κατανόηση της σχέσης ανάμεσα στις παγκόσμιες αλυσίδες εφοδιασμού και τις οικονομικές συνέπειες του offshoring και του outsourcing. Τα ευρήματα αναδεικνύουν τη σημασία των πόρων που είναι μοναδικοί για κάθε επιχείρηση, τον αντίκτυπο του offshoring χαμηλού κόστους στην εγχώρια αγορά εργασίας, καθώς και τις επιπτώσεις ρυθμιστικών πλαισίων. Μέσα από συγκριτική ανάλυση τεσσάρων βασικών ακαδημαϊκών μελετών, η έρευνα παρέχει σημαντικές γνώσεις για τις πολυεθνικές επιχειρήσεις, επισημαίνοντας την ανάγκη εξισορρόπησης της μείωσης κόστους με ηθικά ζητήματα και μακροπρόθεσμους στρατηγικούς στόχους. Τέλος, προτείνονται κατευθύνσεις για μελλοντική έρευνα, με έμφαση στις νέες τεχνολογίες και στη βιωσιμότητα στις παγκόσμιες στρατηγικές ανάθεσης εργασιών.
Η εξέλιξη και οι αναθεωρήσεις του Συμφώνου Σταθερότητας και Ανάπτυξης: από την ίδρυση της Ευρωπαϊκής Ένωσης έως την αναθεώρηση του 2024
(2025-04-02) Κυπραίου, Ελπίδα; Τοπάλογλου, Νικόλαος; Ρουμανιάς, Κωνσταντίνος; Οικονομίδης, Γεώργιος
Το Σύμφωνο Σταθερότητας και Ανάπτυξης (ΣΣΑ), το οποίο προτάθηκε αρχικά από τον Γερμανό Υπουργό Οικονομικών Τέο Βάιγκελ τη δεκαετία του 1990, σχεδιάστηκε για να διασφαλίσει τη δημοσιονομική πειθαρχία και τη σταθερότητα των τιμών εντός της Ευρωπαϊκής Ένωσης (ΕΕ), ιδίως μεταξύ των κρατών-μελών της ζώνης του ευρώ. Βασισμένο στα άρθρα 121 και 126 της Συνθήκης για τη Λειτουργία της Ευρωπαϊκής Ένωσης, το ΣΣΑ περιλαμβάνει ένα προληπτικό και ένα διορθωτικό σκέλος, με στόχο την παρακολούθηση και εφαρμογή του συντονισμού της δημοσιονομικής πολιτικής. Το προληπτικό σκέλος απαιτεί από τα κράτη μέλη να υποβάλλουν ετησίως Προγράμματα Σταθερότητας ή Σύγκλισης, στα οποία περιλαμβάνονται και οι Μεσοπρόθεσμοι Δημοσιονομικοί Στόχοι (MTOs), ενώ το διορθωτικό σκέλος ενεργοποιεί τη Διαδικασία Υπερβολικού Ελλείμματος (ΔΥΕ) σε περίπτωση παραβίασης των δημοσιονομικών κανόνων. Η ΔΥΕ ανεστάλη προσωρινά μέσω της ενεργοποίησης της γενικής ρήτρας διαφυγής κατά την περίοδο 2020–2023, λόγω της πανδημίας COVID-19 και των οικονομικών επιπτώσεων της ενεργειακής κρίσης και του πολέμου στην Ουκρανία. Ωστόσο, η Ρουμανία παρέμεινε σε καθεστώς ΔΥΕ εξαιτίας προϋπαρχόντων δημοσιονομικών ανισορροπιών. Παρά τις υπερβάσεις των ορίων του ΣΣΑ από αρκετά κράτη μέλη το 2023, δεν κινήθηκαν νέες διαδικασίες, λόγω των έκτακτων συνθηκών. Από τις 19 Ιουνίου 2024, το πλαίσιο της ΔΥΕ επανενεργοποιείται με βάση τα στοιχεία του 2023 και τους προϋπολογισμούς του 2024, αν και θα εξετάζονται μόνο περιπτώσεις υπερβολικού ελλείμματος. Τον Φεβρουάριο του 2024, η ΕΕ υιοθέτησε αναθεωρημένους κανόνες για το ΣΣΑ, επιμηκύνοντας το χρονοδιάγραμμα της ΔΥΕ και επιτρέποντας πιο σταδιακές δημοσιονομικές προσαρμογές με αντάλλαγμα δεσμεύσεις για μεταρρυθμίσεις. Βάσει του νέου πλαισίου, όλα τα κράτη μέλη υποχρεούνται να υποβάλουν εθνικά μεσοπρόθεσμα δημοσιονομικά-διαρθρωτικά σχέδια έως τις 20 Σεπτεμβρίου 2024, εγκαινιάζοντας μια νέα φάση στην ευρωπαϊκή δημοσιονομική διακυβέρνηση.
Cumulative Capacitated VRP optimization
(2025-06-30) Kostarelis, Athanasios; Κωσταρέλης, Αθανάσιος; Chatziantoniou, Damianos; Zisis, Dimitrios; Zachariadis, Emmanouil
Η παρούσα διπλωματική εργασία εξετάζει το NP-hard Cumulative Capacitated Vehicle Routing Problem (CCVRP), το οποίο αποτελεί επέκταση του κλασικού Vehicle Routing Problem (VRP). Το CCVRP επικεντρώνεται στην ικανοποίηση της ζήτησης των πελατών, ενώ ταυτόχρονα στοχεύει στην ελαχιστοποίηση του χρόνου αναμονής τους, υπό περιορισμούς όπως η χωρητικότητα των οχημάτων. Στην εργασία αυτή, προτείνεται και εφαρμόζεται για πρώτη φορά μία νέα metaheuristic προσέγγιση για την επίλυση του συγκεκριμένου προβλήματος. Το προτεινόμενο metaheuristic βασίζεται στον συνδυασμό του εποικοδομητικού αλγορίθμου Nearest Neighbor (NN), της μεθόδου αναζήτησης Tabu Search (TS) και του αλγορίθμου Large Neighborhood Search (LNS). Η αποτελεσματικότητα αυτής της προσέγγισης αξιολογείται σε ευρύ φάσμα προβλημάτων, τα οποία είχαν αρχικά χρησιμοποιηθεί από τους Ngueveu et al. (2010) και έκτοτε αποτελούν πρότυπο αξιολόγησης για τέτοιου είδους προβλήματα. Επιπλέον, πραγματοποιείται ανάλυση της συνεισφοράς κάθε επιμέρους μεθόδου στη συνολική ποιότητα της λύσης (NN, NN+TS, NN+TS+LNS). Τα αποτελέσματα δείχνουν ότι, παρόλο που η προσθήκη του TS στον εποικοδομητικό αλγόριθμο έχει περιορισμένη επίδραση από μόνο του, ο συνδυασμός του με το LNS προσφέρει σημαντικά καλύτερα αποτελέσματα, με κόστος τον αυξημένο υπολογιστικό χρόνο. Σε σύγκριση με τα αποτελέσματα αναφοράς, το προτεινόμενο metaheuristic, αν και δεν τα φτάνει, προσεγγίζει αρκετά τις βέλτιστες τιμές, ιδιαίτερα για μικρά και μεσαίου μεγέθους προβλήματα.
Credit risk and credit derivatives
(2025-06-20) Boci, Konstadin; Μπότσι, Κωνσταντίν; Zimbidis, Alexandros; Vakeroudis, Stavros; Yannacopoulos, Athanasios
Πιστωτικός Κίνδυνος & Μηχανική Μάθηση
Ο πιστωτικός κίνδυνος αναφέρεται στην πιθανότητα ο δανειολήπτης να μην μπορεί να αποπληρώσει τα δάνειά του, κάτι που προκαλεί οικονομικές απώλειες για τον δανειστή. Ο κίνδυνος αυτός είναι εγγενής σε διάφορα χρηματοοικονομικά προϊόντα, όπως τα δάνεια και τα ομόλογα. Οι απώλειες που μπορεί να υποστεί ο επενδυτής περιλαμβάνουν: Χαμένα κεφάλαια, Μη ληφθέντες τόκους, Μειωμένες ταμειακές ροές. Σε αυτό το έργο, εστιάζουμε σε θεμελιώδη και στατιστικά μοντέλα μηχανικής μάθησης για: Την εκτίμηση,
Τη μοντελοποίηση, Τη διαχείριση του πιστωτικού κινδύνου, καθώς και στη μελέτη παραγώγων συμβολαίων με στόχο τη μείωση και διαχείρισή του. Ορισμένες ιδιότητες που δυσκολεύουν την ποσοτική μοντελοποίηση του πιστωτικού κινδύνου είναι: Τα γεγονότα χρεοκοπίας είναι σπάνια και συχνά απροσδόκητα, οι ζημιές είναι σημαντικές και το μέγεθος των απωλειών δεν είναι γνωστό πριν τη χρεοκοπία.
Μοντέλα Μηχανικής Μάθησης
Υπάρχουν πολλά μοντέλα μηχανικής μάθησης, και η καταλληλότητα του καθενός εξαρτάται από τις μεταβλητές που έχουμε διαθέσιμες. Η επιλογή αλγορίθμου βασίζεται σε παράγοντες όπως: Τύπος δεδομένων, Διαφάνεια χαρακτηριστικών (features), Διαλειτουργικότητα (interoperability). 1. Λογιστική Παλινδρόμηση (Logistic Regression) Μοντελοποιεί πιθανότητες στο διάστημα [0,1] χρησιμοποιώντας τη λογιστική συνάρτηση (logit). Συχνά εφαρμόζονται τεχνικές κανονικοποίησης όπως: Lasso, Ridge, Elastic Net, για να αποφευχθεί η υπερπροσαρμογή (overfitting). 2. SVM (Support Vector Machine) Χρησιμοποιεί υπερεπίπεδο (hyperplane) σε πολυδιάστατο χώρο για να διαχωρίσει δύο κατηγορίες. Με τη χρήση πυρηνικών συναρτήσεων (kernel functions) μπορεί να μοντελοποιήσει μη γραμμικά προβλήματα ταξινόμησης. 3. Naive Bayes Βασίζεται στο θεώρημα του Bayes και απαιτεί την ισχυρή υπόθεση της ανεξαρτησίας των χαρακτηριστικών. Αν και απλός στην υλοποίηση, έχει συχνά χαμηλή απόδοση όταν η υπόθεση ανεξαρτησίας δεν ισχύει. 4. Δέντρα Απόφασης (Decision Trees) Η πρόβλεψη γίνεται μέσω διαδοχικών κόμβων και διακλαδώσεων. Παρότι είναι ευέλικτο εργαλείο, παρουσιάζουν συχνά υπερπροσαρμογή. Για την αντιμετώπιση αυτού, χρησιμοποιούμε το: 5. Random Forest - Αποτελεί σύνολο από πολλά δέντρα απόφασης, όπου κάθε δέντρο εκπαιδεύεται με τυχαίο υποσύνολο δεδομένων και χαρακτηριστικών. Η τυχαιότητα μειώνει τον κίνδυνο υπερπροσαρμογής και βελτιώνει τη συνολική απόδοση πρόβλεψης.