Διδακτορικές διατριβές

Μόνιμο URI για αυτήν τη συλλογήhttps://pyxida.aueb.gr/handle/123456789/5

Περιήγηση

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω

Τώρα δείχνει 1 - 2 από 2

Fast and efficient predictions in Big Data systems
(13-12-2023) Μαρούλης, Ευστάθιος; Maroulis, Stathis; Athens University of Economics and Business, Department of Informatics; Xylomenos, George; Gunopulos, Dimitrios; Voulgaris, Spyridon; Kotidis, Υannis; Stamoulis, Georgios; Hadjiefthymiades, Stathes; Kalogeraki, Vana
Την τελευταία δεκαετία, η έκρηξη στην παραγωγή δεδομένων από πηγές όπως τα social media, τα κινητά τηλέφωνα και τα δίκτυα αισθητήρων έχει ωθήσει την ανάπτυξη εφαρμογών που απαιτούν πολλά δεδομένα, συμπεριλαμβανομένων των συστημάτων συστάσεων και της πρόβλεψης κυκλοφοριακών μοτίβων. Αυτές οι εφαρμογές, που χειρίζονται δεδομένα σε κλίμακα GB ή TB, απαιτούν σημαντικούς υπολογιστικούς πόρους.Τα κατανεμημένα συστήματα επεξεργασίας μεγάλων δεδομένων όπως τα Apache Spark και Apache Flink είναι κρίσιμα στην επεξεργασία αυτών των τεράστιων όγκων δεδομένων. Ωστόσο, η βελτιστοποίηση αυτών των συστημάτων για αποτελεσματική λειτουργία των εφαρμογών και η ελαχιστοποίηση της κατανάλωσης ενέργειάς τους παρουσιάζει σημαντικές προκλήσεις. Σε αυτή την διατριβή αναπτύχθηκαν πρακτικές μεθοδολογίες για την αντιμετώπιση αυτών των προκλήσεων, εστιάζοντας στον αποδοτικό χρονοπρογραμματισμό (scheduling) εργασιών, στην ανάπτυξη μοντέλων πρόβλεψης υψηλής ακρίβειας, σε συστήματα ανίχνευσης συμβάντων και στην ενεργειακά αποδοτική χρήση πόρων.Η έρευνα αυτή περιλαμβάνει την εξέταση του τομέα του χρονοπρογραμματισμού πραγματικού χρόνου εργασιών σε κατανεμημένα συστήματα επεξεργασίας μεγάλων δεδομένων. Επικεντρώνεται επίσης στη δημιουργία ακριβών μοντέλων για την πρόβλεψη χρόνου εκτέλεσης εφαρμογών, λαμβάνοντας υπόψη τις πολυπλοκότητες όπως η ετερογένεια του περιβάλλοντος εκτέλεσης, οι παραμορφωμένες ενότητες δεδομένων και οι απαιτήσεις των εφαρμογών σε πραγματικό χρόνο, όπως ο χρόνος εκτέλεσης της εφαρμογής. Η προσέγγιση που ακολουθείται περιλαμβάνει την ανάπτυξη καινοτόμων αλγορίθμων χρονοπρογραμματισμού και ενός πρωτοποριακού συστήματος ανάλυσης (profiling). Επιπλέον, αντιμετωπίζει την πρόκληση του χρονοπρογραμματισμού εργασιών με έμφαση στην επίτευξη μετρικών απόδοσης ενώ ταυτόχρονα διαχειρίζονται συντηρητικά οι πόροι και η (ενεργειακή) κατανάλωση του συστήματος. Ένα άλλο σημαντικό επίτευγμα είναι η δημιουργία ενός συστήματος για την πρόβλεψη των μοτίβων κυκλοφορίας στην πόλη του Δουβλίνου, χρησιμοποιώντας τεχνικές Παραγοντοποίησης Πινάκων (Matrix Factorization) και εκμεταλλευόμενοι δεδομένα από αισθητήρες της πόλης. Τέλος, παρουσιάζεται ένα σύστημα που σχεδιάστηκε για την ταχεία και ακριβή παροχή συστάσεων και προβλέψεων στους χρήστες, εκμεταλλευόμενο δεδομένα από το Foursquare και χρησιμοποιώντας τεχνικές Παραγοντοποίησης Τανυστών (Tensor Factorization) για να προτείνει Σημεία Ενδιαφέροντος που προσαρμόζονται στις προτιμήσεις των χρηστών.Οι εμπειρικές αξιολογήσεις σε πραγματικά σύνολα δεδομένων αποδεικνύουν την αποτελεσματικότητα αυτών των μεθοδολογιών στη βελτίωση του χρονοπρογραμματισμού εργασιών, της πρόβλεψης της κυκλοφορίας και των συστημάτων συστάσεων, συμβάλλοντας σημαντικά στην προώθηση των δυνατοτήτων των διανεμημένων συστημάτων επεξεργασίας όπως το Apache Spark και το Apache Flink.
Urban data analytics and applications in the Big Data era
(23-03-2023) Τομαράς, Δημήτριος; Tomaras, Dimitrios; Athens University of Economics and Business, Department of Informatics; Vassalos, Vasilios; Xylomenos, George; Stamoulis, Georgios; Voulgaris, Spyridon; Chrysanthis, Panos; Papapetrou, Panagiotis; Kalogeraki, Vana
Τα τελευταία χρόνια παρατηρούμε τόσο τη μεγάλη εξάπλωση των έξυπνων συσκευών όσο και τη μεγάλη έλευση του Διαδικτύου των Πραγμάτων ως τη βάση πάνω στην οποία αναπτύσσονται πολυάριθμες έξυπνες εφαρμογές και υπηρεσίες με γνώμονα την επίλυση διαφόρων προβλημάτων μέσα στις πόλεις. Η πληθώρα των διαθέσιμων πηγών δεδομένων έχει προσφέρει μια σειρά σημαντικών επιλογών για την παρακολούθηση και την αξιολόγηση της κατάστασης μιας έξυπνης πόλης σε πραγματικό χρόνο. Το πρώτο μέρος της διατριβής ασχολείται με την ανάλυση και τη μοντελοποίηση των αστικών δεδομένων μελετώντας διάφορες πηγές τέτοιων δεδομένων, είτε εξετάζοντας τα δεδομένα μονομερώς είτε συνδυάζοντας πολλαπλές πηγές δεδομένων ταυτόχρονα. Προτείνονται μετρικές και τεχνικές που εξυπηρετούν την μοντελοποίηση της συμπεριφοράς τους βάσει των χαρακτηριστικών τους, και εν συνεχεία επιτρέπουν περαιτέρω συνδυασμό πολλαπλών πηγών αστικών δεδομένων δημιουργώντας συνέργειες μεταξύ τους. Λαμβάνοντας υπόψιν τις προκλήσεις που προκύπτουν από τα διαφορετικά χαρακτηριστικά των πηγών δεδομένων, στο πρώτο μέρος προτείνεται ένα σύνολο μεθοδολογιών που επιτρέπουν στον κάθε ενδιαφερόμενο να κατανοήσει τον παλμό του αστικού περιβάλλοντος σε πραγματικό χρόνο καθώς και να εξάγει σημαντικά συμπεράσματα από τα δεδομένα που συλλέγονται.Το δεύτερο μέρος της διατριβής επικεντρώνεται στο πρόβλημα της αξιοποίησης των συμπερασμάτων που έχουν προκύψει από τα αστικά δεδομένα καθώς και τη μοντελοποίησή τους και στοχεύει στο να αναδείξει την αξία τους σε εφαρμογές και συστήματα που τα χρησιμοποιού. Σε αυτό το μέρος της διατριβής, προτείνεται ένα σύνολο νέων αλγορίθμων και εφαρμογών που αξιοποιούν την ανάλυση και τη μοντελοποίηση των αστικών δεδομένων καθώς και τα συμπεράσματα που έχουν προκύψει μέσω αυτών, με στόχο την αντιμετώπιση πραγματικών προβλημάτων μέσα σε μια έξυπνη πόλη. Αυτό το μέρος της διατριβής περιλαμβάνει αλγορίθμους γράφων για προβλήματα εκχώρησης πόρων μέσα σε οποιαδήποτε δίκτυα μεταφορών, αλγορίθμους δρομολόγησης μέσα σε γράφους με δυναμικά βάρη, καθώς και τεχνικές που αφορούν την ιδιωτικότητα των δεδομένων από χρήστες υπηρεσιών ανάλυσης δεδομένων.

Περιήγηση

Πλοήγηση Διδακτορικές διατριβές ανά Επιβλέπων "Kalogeraki, Vana"