Τα υπόγεια νερά μπορούν να μολυνθούν με παθογόνα βιοκολλοειδή (ιοί, βακτήρια και πρωτόζωα) από νερό κοπρανώδους μόλυνσης, π.χ. από σηπτικές δεξαμενές ή αποχετευτικούς σωλήνες που εμφανίζουν διαρροή. Το επιφανειακό νερό μολύνεται με παθογόνους μικροοργανισμούς, που οφείλονται κυρίως στη διάθεση υγρών αποβλήτων και στην απορροή λιπασμάτων από τα γεωργικά εδάφη. Αυτά τα παθογόνα μπορούν να προκαλέσουν ένα εύρος γαστροεντερικών και άλλων σοβαρών ασθενειών. Τα υπόγεια και επιφανειακά νερά μπορούν να προστατευθούν από τη μόλυνση με παθογόνους μικροοργανισμούς μέσω των λύσεων που προσφέρει η εφαρμοσμένη μηχανική. Οι κατάλληλες στρατηγικές για την επίτευξη ασφαλούς πόσιμου νερού στηρίζονται στη γνώση των πιθανών διαδικασιών και συνθηκών μεταφοράς των παθογόνων βιοκολλοειδών. Για το σκοπό αυτό και λόγω μερικών περιορισμών, όπως η περιορισμένη ευαισθησία μεθόδων μέτρησης παθογόνων ιών και βακτηρίων, είναι λογικό να χρησιμοποιηθούν υποκατάστατα. Συγκεκριμένα, στη παρούσα Διδακτορική Διατριβή, οι βακτηριοφάγοι χρησιμοποιούνται ως υποκατάστατα για τους παθογόνους ιούς. Η μετακίνηση κολλοειδών στα πορώδη μέσα είναι επίσης ανησυχητική λόγω της διευκολυμένης από το κολλοειδές μεταφοράς των παθογόνων ιών που προσροφούνται πάνω σε αυτά τα σωματίδια και μετακινούνται σε μεγάλες αποστάσεις. Ειδικότερα, η εστίαση αυτής της έρευνας είναι στη μεταφορά των βιοκολλοειδών (βακτηριοφάγων και βακτηρίων) και των παραγόντων που επιδρούν σε αυτή μέσω των κορεσμένων πορωδών μέσων. Αρχικά ένα εύρος στατικών και δυναμικών πειραμάτων πραγματοποιήθηκε σε δύο διαφορετικές θερμοκρασίες (4 και 25 °C) για να ερευνηθεί η επίδραση της θερμοκρασίας και της ανάδευσης στην προσρόφηση των ιών (βακτηριοφάγων) πάνω στις αργίλους οι οποίες βρίσκονται συχνά στα φυσικά νερά και τα υγρά απόβλητα. Κατάλληλες ισόθερμες προσρόφησης προσδιορίστηκαν. Τα ηλεκτροκινητικά χαρακτηριστικά των βακτηριοφάγων και των αργίλων ποσοτικοποιήθηκαν για διαφορετικό pH και ιοντική ισχύ (IS). Επιπλέον, οι ενέργειες αλληλεπίδρασης μεταξύ των ιών και των αργίλων υπολογίστηκαν για τις πειραματικές συνθήκες αλλά και για διαφορετικές φυσικοχημικές συνθήκες με την εφαρμογή της θεωρίας DLVO. Στη συνέχεια εξετάστηκε η μεταφορά τριών υδατογενών μικροοργανισμών (Escherichia coli, MS2, και ΦX174), δεικτών κοπρανώδους μόλυνσης, σε εργαστηριακές x στήλες με πληρωτικό υλικό καθαρή χαλαζιακή άμμο. Εξετάστηκαν τρία διαφορετικά μεγέθη κόκκων και τρείς ενδοπορώδεις ταχύτητες. Η συμπεριφορά σύνδεσης των Escherichia coli, MS2, και ΦX174 πάνω στην άμμο αναλύθηκε περαιτέρω. Ο συνολικός συντελεστής σύλληψης η0 και ο συντελεστής απόδοσης συγκρούσεων α, υπολογίστηκαν χρησιμοποιώντας την κλασσική θεωρία διήθησης κολλοειδών (CFT). Επίσης διερευνήθηκε η αλληλεπίδραση των ιών (βακτηριοφάγων MS2 και ΦX174) με τα κολλοειδή αργίλων (καολινίτη KGa-1b και μοντμοριλλονίτη STx-1b) σε πειράματα προσκόλλησης διαλείποντος έργου αλλά και κατά την ταυτόχρονη μεταφορά τους σε κορεσμένες στήλες με πληρωτικό υλικό σφαιρίδια γυαλιού. Επιπλέον εξετάστηκε η επίδραση τριών ενδοπορωδών ταχυτήτων U στη μεταφορά των ιών, όπως επίσης και στη συμμεταφορά τους με τα κολλοειδή αργίλων. Εκτεταμένοι-DLVO υπολογισμοί της ενέργειας αλληλεπίδρασης εξηγούν ότι η προσκόλληση των ιών στα κολλοειδή αργίλων κατά κύριο λόγο προκαλείται από υδρόφοβες αλληλεπιδράσεις. Η παρουσία κολλοειδών είχε σημαντική επίδραση στην κατάσταση και το μέγεθος της μη αναστρέψιμης απόθεσης των ιών στα σφαιρίδια γυαλιού στις συνθήκες που ερευνήθηκαν. Η θεωρία DLVO και η υδροδυναμική εφαρμόστηκε στα πειραματικά δεδομένα σε μια προσπάθεια ποσοτικής περιγραφής των συνθηκών που απαιτούνται για την έναρξη της αποκόλλησης των κολλοειδών από τα πορώδη μέσα (διαφορετικούς συλλέκτες) κάτω από διαφορετικές φυσικοχημικές συνθήκες (ταχύτητα και ιοντική ισχύ). Τέλος, πειράματα σε κατακόρυφα και διαγώνια τοποθετημένες στήλες με πληρωτικό υλικό σφαιρίδια γυαλιού πραγματοποιήθηκαν για τη μεταφορά και συγκράτηση ιών και κολλοειδών αργίλων αλλά και τη συμμεταφορά αυτών με την κατεύθυνση της ροής προσανατολισμένη ενάντια στη βαρύτητα (προς τα πάνω) αλλά και με κατεύθυνση ροής προς την ίδια κατεύθυνση με τη βαρύτητα (προς τα κάτω). Προβλέψεις των μοντέλων μοναδιαίων κελιών διαφορετικής γεωμετρίας συγκρίθηκαν με τα πειραματικά αποτελέσματα. / Groundwater may be accidentally contaminated with infective human enteric viruses from human and animal sewage through wastewater discharges, sanitary landfills, septic tanks, and agricultural practices or by artificial groundwater recharge, which is often used to reverse the rapid depletion of aquifers. To predict the presence of pathogens in water and wastewater, microorganisms known as indicator organisms-biocolloids (e.g. bacteria Escherichia coli, and coliphages MS2 and ΦX174), which are commonly associated with fecal contamination, are monitored. We examined the interaction of microorganisms with soil, sand, gravel or other model granular materials have been conducted using laboratory-scale columns under well-controlled environmental conditions. Theoretical and experimental studies have examined the effect of pore water solution chemistry, fluid velocity, matrix structure, moisture content, temperature, grain size, and presence of surface coatings on microbial transport and retention in porous media. Quartz sand, either clean or coated, as well as glass beads have all been employed as model granular materials in such studies. Some researchers have also investigated the transport of microorganisms through columns packed with excavated soils or undisturbed soil cores, and provided valuable information regarding the influence of soil chemistry and matrix structure on microbial transport and retention.

Η έννοια των δικτύων εμφανίζεται πολύ συχνά με διάφορες μορφές. Δίκτυο μπορούμε να θεωρήσουμε ένα σύνολο υπολογιστών που συνδέονται μεταξύ τους υπακούοντας σε κάποιο πρωτόκολλο επικοινωνίας αλλά και μια ομάδα ανθρώ- πων που συνδέονται μέσω κάποιας κοινωνικής σχέσης, ενός εργασιακού χώρου αλλά και ως χρήστες ενός forum ή μίας πλατφόρμας κοινωνικής δικτύωσης. Σε οποιαδήποτε περίπτωση, ένα δίκτυο μπορεί να αναπαρασταθεί με τη μορφή ενός γράφηματος, όπου οι κόμβοι αναπαριστούν τα άτομα/υπολογιστές και οι ακμές τη μεταξύ τους σχέση ανάλογα με το πρόβλημα. Στα πλαίσια ενός τέτοιου δικτύου μας ενδιαφέρει η συμπεριφορά των κόμβων στην περίπτωση που συμβεί ένα γεγονός που αλλάζει την κατάστασή τους. Στην περίπτωση που αναφερόμαστε σε μία κοινωνική ομάδα ή μία πόλη, αυτό το φαι- νόμενο μπορεί να είναι το ξέσπασμα μίας επιδημίας που εξαπλώνεται στο δίκτυο αλλά και μίας είδησης/φήμης, όπου ενημερώνεται το δίκτυο. Στην πρώτη περί- πτωση, μας ενδιαφέρει να περιορίσουμε την επιδημία, αλλάζοντας τοπολογικά το δίκτυο ενώ στη δεύτερη περίπτωση, είναι επιθυμητό να διευκολύνουμε την εξά- πλωση της είδησης, έτσι ώστε να ενημερωθούν όσο το δυνατόν, περισσότεροι κόμβοι(χρήστες). Η συμπεριφορά του δικτύου σε ένα τέτοιο φαινόμενο, μπορεί να προσομοιωθεί από ένα δυναμικό σύστημα. Με τον όρο δυναμικό σύστημα αναφερόμαστε σε ένα σύστημα που έχει ένα σύνολο καταστάσεων, όπου κάθε κατάσταση, προκύπτει σε συνάρτηση με την προηγούμενη. Παραδείγματα εφαρμογής ενός δυναμικού συστήματος σε δίκτυο, εμφανίζονται σε διάφορους τομείς όπως στην οικολογία, τη διάχυση πληροφορίας, το viral marketing, την επιδημιολογία. Τα δυναμικά συστήματα που προσομοιώνουν τη συμπεριφορά του δικτύου σε τέτοια φαινόμενα, χρησιμοποιούν επιδημιολογικά μοντέλα για να περιγρά- ψουν τις δυνατές καταστάσεις στις οποίες μπορεί να περιέλθει ένας κόμβος. Στη συγκεκριμένη εργασία, χρησιμοποιήσαμε το μοντέλο SIS (Susceptible-Infected-Susceptible) [8].Το μοντέλο SIS δηλώνει ότι ένας κόμβος μπορεί να είναι είτε επιρρεπής στο να ασθενήσει (susceptible) είτε ασθενής (infected). Αυτό σημαί- νει πως ένας κόμβος δεν θεραπεύεται ποτέ πλήρως αλλά υπάρχει πιθανότητα να ασθενήσει πάλι. Με βάση τη βιβλιογραφία, σε ένα τέτοιο δυναμικό σύστημα, αναζητούμε κά- ποια σημεία (fixed points) στα οποία το σύστημα θα ισορροπεί. Υπάρχουν σημεία τα οποία είναι σημεία ισορροπίας αλλά δεν είναι σταθερά. Σε αυτά τα σημεία, το σύστημα μπορεί στιγμιαία να ισορροπήσει αλλά ξεφεύγει πολύ εύκολα από αυτό. Αναζητούμε συνεπώς, σταθερά σημεία ισορροπίας, τα λεγόμενα stable fixed points. Έχει αποδειχτεί [6] ότι μπορούμε σε αυτά στα σημεία να καθορίσουμε τις απαραίτητες συνθήκες για να είναι σταθερά, περιορίζοντας τη μέγιστη ιδιοτιμή του μητρώου γειτνίασης που περιγράφει το δίκτυο. Ορίζονται δηλαδή κατώφλια (thresholds) κατά περίπτωση, που περιορίζουν την μέγιστη ιδιοτιμή του δικτύου με τέτοιο τρόπο ώστε το σύστημα, να βρίσκεται σε κατάσταση ισορροπίας. Στην πε- ρίπτωση που αναφερόμαστε στο φαινόμενο της επιδημίας, στόχος είναι στο αντί- στοιχο σημείο ισορροπίας η μέγιστη ιδιοτιμή να είναι κάτω του κατωφλίου, έτσι ώστε να εξασφαλίσουμε τον περιορισμό εξάπλωσης της επιδημίας στο δίκτυο. Στην περίπτωση που αναφερόμαστε σε μία είδηση ή ένα ανταγωνιστικό προϊόν, η μέγιστη ιδιοτιμή θέλουμε να είναι άνω του αντίστοιχου κατωφλίου έτσι ώστε να έχουμε εξάπλωση στο δίκτυο. Επομένως ανάλογα με την περίπτωση, αντιμε- τωπίζουμε διαφορετικά τα κατώφλια που υπολογίζονται για το αντίστοιχο σημείο ισορροπίας. Στα πλαίσια της μεταπτυχιακής εργασίας, χρησιμοποιήσαμε το μοντέλο SIS για να περιγράψουμε το φαινόμενο όπου ένας ιός εξαπλώνεται σε ένα δίκτυο όπου οι κόμβοι του δικτύου, έχουν διαφορετική ευαισθησία απέναντί του. Πραγματο- ποιήσαμε μαθηματική περιγραφή του μοντέλου, ορίζοντας τα απαραίτητα κατώ- φλια έτσι ώστε το σύστημα να ισορροπεί ανάλογα με το σημείο ισορροπίας αλλά και το είδος του γραφήματος. Επίσης, πραγματοποιήσαμε προσομοίωση του μο- ντέλου σε συνθετικά γραφήματα (κλίκα, αυθαίρετο γράφημα κ.α), επαληθεύοντας τη συμπεριφορά που υποδεικνύει το μαθηματικό μοντέλο. / Which is the appropriate answer about the definition of a network? One could answer that a group of people who share a relationship (colleagues, students etc) could be referred to, as a network. Another possible definition, is a computer network. Consequently, it is obvious that the idea of a network can be found in various ways in our daily life. In the same terms, suppose we have one competing idea/product or a virus that propagates over a multiple profile social (or other) network. Can we predict what proportion of the network will actually get ”infected” (e.g., spread the idea or buy the competing product), when the nodes of the network appear to have different sensitivity based on their profile? For example, if there are two profiles A, B in a network and the nodes of profile A and profile B are susceptible to a highly spreading virus with probabilities βA and βB respectively, what percentage of both profiles will actually get infected from the virus in the end? The behavior of such a network, can be simulated using dynamical systems theory. We consider a dynamical system as a system with a set of possible states where each future state, is computed based on the previous state. Dynamical System Applications, can be found in many fields such as viral marketing, ecology, information diffusion and virus propagation. In order to simulate the rumor or virus which is spreading across the network, one has to use virus propagation models. The selection of the appropriate model, depends on the special attributes and characteristics of the spreading rumor/virus and it should cover all the possible states in which a node in the network can be (sick, healthy,susceptible, informed, not informed etc). According to Dynamical Systems Theory, we are looking for possible fixed points where the system is in equilibrium. In particular, we would require each fixed point to be a stable attractor and not lead the system far away from the equilibrium point due to opposing forces (stable fixed points). It has been proven that limiting the leading eigenvalue of the adjacency matrix of the graph, is the only condition required, in order for the system to be in equilibrium state, in the corresponding fixed point. In this paper, we assume an SIS propagation model [8] which is applied on a heterogeneous network. That is, we assume that there is no fair game using the terminology of [14, 3]. In the SIS model, each node can be either in a susceptible (S) state or in the infected state (I) and as result there is no permanent immunity and every node can get infected multiple times.Since this is the first theoretical treatment of heterogeneous environments for virus propagation, we choose to work in the simple model of SIS and not in other models. Suppose that we are given a social network and a rumor that spreads over it, where the nodes of the network represent people with high/low sensitivity to the rumor and the links represent the association of the nodes, how will the rumor propagate over the network? That is, can we determine whether all members of the network will reproduce the rumor to their neighbors and ”infect” them or the rumor will spread in a small group in the network and die out quickly? Similarly, which is the tipping point where such a rumor or infectious virus will take off? It would be very helpful if we could find the specific point when the ”virus” spreads all over the network and an epidemic occurs. Finally, what is the case when the nodes have different endurance/sensitivity to the ”virus” and have temporary or permanent immunity? Our basic assumption and innovation when compared to all previous approaches is that there is no fair-play and nodes have different profile against the virus. That is, the network is heterogeneous with respect to the virus, which means that nodes have different sensitivity to it. This is one of our main contributions in comparison with previous results where all nodes appear to have the same behavior towards the virus and the same model parameters. The propagation model which is followed, resembles the SIS (no immunity like flu) model where nodes are either susceptible or infected but with modifications. All nodes can get infected from one another, despite the difference of their profiles. We prove and present the tipping point where the virus is about to spread all over the network or the rumor ”infect” every member of the network and result in a ”viral” phenomenon. Our main contribution, is that we provide answers for the questions above, for special topologies such as the clique as well as arbitrary graphs of high or low connectivity. In particular, to the best of our knowledge, we are the first to provide theoretical and experimental findings on the propagation of a virus over a heterogeneous network. We prove that in the case of two profiles, if one profile has high sensitivity to the virus and the other one has low sensitivity, actually nodes from both profiles will get infected proportionally in the case where the network is a clique. For arbitrary networks, we prove necessary conditions for the virus to die out allowing for multiple profiles (not just two), while at the same time we give directions to prove other interesting cases. The problem has many applications in the field of viral marketing, medicine, ecology and other.

Στην διδακτορική διατριβή αναπτύξαμε μοντέλα για την ασυνήθη δικτυακή κυκλοφορία βασισμένη σε χαρακτηριστικά της TCP/IP επικοινωνίας ανάμεσα σε υπολογιστικά συστήματα, αλλά και στην συμπεριφορά συστημάτων και χρηστών κάτω από επιθέσεις ιών και δικτυακών σκουληκιών. Για την ανάπτυξη συνδυάσαμε το μαθηματικό φορμαλισμό πάνω σε πραγματικά χαρακτηριστικά που εντοπίσαμε πως υπάρχουν σχεδόν σε όλες τις προσπάθειες επίθεσης προς υπολογιστικά και δικτυακά συστήματα από προσπάθειες επιτιθέμενων, αλλά και με αυτοματοποιημένα συστήματα μετάδοσης ιών. Υλοποιήσαμε ένα πραγματικό κατανεμημένο σύστημα έγκαιρης και έγκυρης προειδοποίησης και λήψης άμεσων μέτρων για την προστασία δικτύων υπολογιστών από τη διάδοση των ιών και από τις διαρκώς εξελισσόμενες επιθέσεις των hackers. Τέλος η αυξανόμενη παρουσία δυνατοτήτων για fast worms μας παρακίνησε να μοντελοποιήσουμε την συμπεριφορά ιών που μεταδίδονται μέσα από τα κοινωνικά δίκτυα που σχηματίζονται από τον κατάλογο που έχουν οι χρήστες για γνωστούς και φίλους σε e-mail και Instant Messaging. Προτείνουμε λοιπόν δύο μοντέλα: ένα μοντέλο που περιγράφει την συμπεριφορά fast worms βασισμένα σε κοινωνικά δίκτυα στηριζόμενοι στο μαθηματικό μοντέλο σε Constraint Satisfaction Problems (CSP), αλλά και ένα μοντέλο για τη μετάδοση ιών και την εξουδετέρωσή τους, που λαμβάνει υπόψη την δικτυακή κίνηση και την λειτουργία των εξυπηρετητών βασισμένοι στο M/M/1 μοντέλο ουρών. Στην διατριβή προτείνουμε ένα είδος διαδραστικότητας ανάμεσα στους antivirus Agents και τους ιούς και αναλύουμε ένα μαθηματικό μοντέλο για την διάδοση πληθυσμού ιών και antivirus βασισμένα σε θεωρίες ουρών. / In this PhD Thesis we developed models for the abnormal network traffic based on TCP/IP communication protocol of computer systems, and the behavior of systems and users under viruses and worms attacks. For the development we combined mathematical formalism on real attributes that characterize almost all attacking efforts of hackers, virus and worms against computers and networking systems. Our main goal was based upon the theoretic models we proposed, to provide a useful tool to deal with intrusions. Thus we developed a Software Tool for Distributed Intrusion Detection in Computer Networks. Based on an improved model we produced a real time distributed detection system for early warning administrators of worm and virus propagation and hackers’ attacks. Also in this work we propose a discrete worm rapid propagation model based on social networks that are built using the address book of e-mail and instant messaging clients using the mathematic formalism of Constraint Satisfaction Problems (CSP). The address book, which reflects the acquaintance profiles of people, is used as a “hit-list”, to which the worm can send itself in order to spread fast. We also model user reaction against infected email as well as the rate at which antivirus software is installed. We then propose a worm propagation formulation based on a token propagation algorithm, further analyzed with a use of a system of continuous differential equations, as dictated by Wormald’s theorem on approximating “well-behaving” random processes with deterministic functions. Finally in this work we present a virus propagation and elimination model that takes into account the traffic and server characteristics of the network computers. This model partitions the network nodes into perimeter and non-perimeter nodes. Incoming/outgoing traffic of the network passes through the perimeter of the network, where the perimeter is defined as the set of the servers which are connected directly to the internet. All network nodes are assumed to process tasks based on the M/M/1 queuing model. We study burst intrusions (e.g. Denial of Service Attacks) at the network perimeter and we propose a kind of interaction between these agents that results using the formalism of distribution of network tasks for Jackson open networks of queues.