{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1320811"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1320811","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"A distributed data mining framework for knowledge extraction and dissemination in future internet environments","abstract":"Τα τελευταία χρόνια, οι πάροχοι τηλεπικοινωνιακών υπηρεσιών επιδιώκουν να επιτύχουν την βέλτιστη δυνατή διαχείριση των δικτύων τους για την αντιμετώπιση της διαρκούς αύξησης του όγκου δεδομένων, που καταφέρνει σε πολλές περιπτώσεις να ξεπεράσει την ικανότητα χειρισμού των ήδη υπάρχουσων υποδομών, των αυξανόμενων απαιτήσεων των χρηστών και της πολυπλοκότητας που εισάγουν οι διαφορετικές τεχνολογίες. Τα ζητήματα αυτά απαιτούν εξεζητημένες μεθόδους εξόρυξης δεδομένων, ικανές να επεξεργαστούν και να αξιοποιήσουν τα ογκώδη δεδομένα, επιτρέποντας σε μηχανισμούς αυτο-οργάνωσης (SON) να ενεργήσουν και να διευκολύνουν τις δικτυακές υποδομές. Για το σκοπό αυτό, στην παρούσα εργασία εισάγουμε ένα κατανεμημένο πλαίσιο εξόρυξης δεδομένων (DDMF), το οποίο εκμεταλεύεται πρωτοποριακούς μηχανισμούς εξόρυξης, όπως το Spectral Clustering και τα SVMs. Βασιζόμενο σε μια καινοτόμα αρχιτεκτονική που αποκαλείται UMF, το πλαίσιο συμβάλλει στην εξαγωγή γνώσης από μη επεξεργασμένα δεδομένα σχετικά με το δίκτυο και τις παρεχόμενες υπηρεσίες και αποκαλύπτει την ωφέλιμη πληροφορία από μεγάλα σύνολα δεδομένων. Εξ όσων γνωρίζουμε, αυτή είναι η πρώτη εργασία που εισάγει την χρήση ιδιαίτερα εξελιγμένων τεχνικών εξόρυξης δεδομένων για τη διαχείριση ενός δικτύου. Η πειραματική μελέτη και εκτίμηση αποδοτικότητας του παραπάνω πλαισίου πραγματοποιείται σε ασύρματο περιβάλλον WLAN για την αναγνώριση φόρτου εντός του δικτύου και τα αποτελέσματα αναδεικνύουν την επάρκεια της πρότασης αυτής σε σύγκριση με προηγούμενες προσεγγίσεις.","abstract_html":"Τα τελευταία χρόνια, οι πάροχοι τηλεπικοινωνιακών υπηρεσιών επιδιώκουν να επιτύχουν την βέλτιστη δυνατή διαχείριση των δικτύων τους για την αντιμετώπιση της διαρκούς αύξησης του όγκου δεδομένων, που καταφέρνει σε πολλές περιπτώσεις να ξεπεράσει την ικανότητα χειρισμού των ήδη υπάρχουσων υποδομών, των αυξανόμενων απαιτήσεων των χρηστών και της πολυπλοκότητας που εισάγουν οι διαφορετικές τεχνολογίες. Τα ζητήματα αυτά απαιτούν εξεζητημένες μεθόδους εξόρυξης δεδομένων, ικανές να επεξεργαστούν και να αξιοποιήσουν τα ογκώδη δεδομένα, επιτρέποντας σε μηχανισμούς αυτο-οργάνωσης (SON) να ενεργήσουν και να διευκολύνουν τις δικτυακές υποδομές. Για το σκοπό αυτό, στην παρούσα εργασία εισάγουμε ένα κατανεμημένο πλαίσιο εξόρυξης δεδομένων (DDMF), το οποίο εκμεταλεύεται πρωτοποριακούς μηχανισμούς εξόρυξης, όπως το Spectral Clustering και τα SVMs. Βασιζόμενο σε μια καινοτόμα αρχιτεκτονική που αποκαλείται UMF, το πλαίσιο συμβάλλει στην εξαγωγή γνώσης από μη επεξεργασμένα δεδομένα σχετικά με το δίκτυο και τις παρεχόμενες υπηρεσίες και αποκαλύπτει την ωφέλιμη πληροφορία από μεγάλα σύνολα δεδομένων. Εξ όσων γνωρίζουμε, αυτή είναι η πρώτη εργασία που εισάγει την χρήση ιδιαίτερα εξελιγμένων τεχνικών εξόρυξης δεδομένων για τη διαχείριση ενός δικτύου. Η πειραματική μελέτη και εκτίμηση αποδοτικότητας του παραπάνω πλαισίου πραγματοποιείται σε ασύρματο περιβάλλον WLAN για την αναγνώριση φόρτου εντός του δικτύου και τα αποτελέσματα αναδεικνύουν την επάρκεια της πρότασης αυτής σε σύγκριση με προηγούμενες προσεγγίσεις.","abstract_has_math":false,"creators":["Βλάχος Χριστόφορος"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2013,"date_issued":"2013","date_published":"2013","updated_at":"2026-11-19T05:26:32Z","subjects":[],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1320811"],"render_values":[{"text":"uoadl:1320811","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320811","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320811","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1320811","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Βλάχος Χριστόφορος"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2013"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1320811","https://pergamos.lib.uoa.gr/uoa/dl/object/1320811"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα τελευταία χρόνια, οι πάροχοι τηλεπικοινωνιακών υπηρεσιών επιδιώκουν να επιτύχουν την βέλτιστη δυνατή διαχείριση των δικτύων τους για την αντιμετώπιση της διαρκούς αύξησης του όγκου δεδομένων, που καταφέρνει σε πολλές περιπτώσεις να ξεπεράσει την ικανότητα χειρισμού των ήδη υπάρχουσων υποδομών, των αυξανόμενων απαιτήσεων των χρηστών και της πολυπλοκότητας που εισάγουν οι διαφορετικές τεχνολογίες. Τα ζητήματα αυτά απαιτούν εξεζητημένες μεθόδους εξόρυξης δεδομένων, ικανές να επεξεργαστούν και να αξιοποιήσουν τα ογκώδη δεδομένα, επιτρέποντας σε μηχανισμούς αυτο-οργάνωσης (SON) να ενεργήσουν και να διευκολύνουν τις δικτυακές υποδομές. Για το σκοπό αυτό, στην παρούσα εργασία εισάγουμε ένα κατανεμημένο πλαίσιο εξόρυξης δεδομένων (DDMF), το οποίο εκμεταλεύεται πρωτοποριακούς μηχανισμούς εξόρυξης, όπως το Spectral Clustering και τα SVMs. Βασιζόμενο σε μια καινοτόμα αρχιτεκτονική που αποκαλείται UMF, το πλαίσιο συμβάλλει στην εξαγωγή γνώσης από μη επεξεργασμένα δεδομένα σχετικά με το δίκτυο και τις παρεχόμενες υπηρεσίες και αποκαλύπτει την ωφέλιμη πληροφορία από μεγάλα σύνολα δεδομένων. Εξ όσων γνωρίζουμε, αυτή είναι η πρώτη εργασία που εισάγει την χρήση ιδιαίτερα εξελιγμένων τεχνικών εξόρυξης δεδομένων για τη διαχείριση ενός δικτύου. Η πειραματική μελέτη και εκτίμηση αποδοτικότητας του παραπάνω πλαισίου πραγματοποιείται σε ασύρματο περιβάλλον WLAN για την αναγνώριση φόρτου εντός του δικτύου και τα αποτελέσματα αναδεικνύουν την επάρκεια της πρότασης αυτής σε σύγκριση με προηγούμενες προσεγγίσεις.","The last years, Network operators are struggling to perform efficient network management due to the prominent increase of data that surpass their infrastructures, the increased user demands and the complexity that the different technologies introduce. Those issues require novel data mining approaches able to process and exploit the voluminous data, enabling different SON mechanisms to act upon the network infrastructures. To this end, we introduce a Distributed Data Mining Framework (DDMF), which is exploiting cutting-edge data mining tools such as spectral clustering and SVMs; based on a novel NM approach called UMF, DDMF extracts knowledge from raw network and service data and reveals the hidden context from massive datasets. To our knowledge, this is the first work that introduces such sophisticated data mining techniques for network management. The validation of DDMF is performed in a WLAN environment for a Load identification scenario and the results prove the efficiency of our work in comparison with a previous approach."]},{"key":"dc:title","label":"Title","values":["A distributed data mining framework for knowledge extraction and dissemination in future internet environments"]}]}],"canonical_facts":{"dc:creator":["Βλάχος Χριστόφορος"],"dc:date":["2013"],"dc:description":["Τα τελευταία χρόνια, οι πάροχοι τηλεπικοινωνιακών υπηρεσιών επιδιώκουν να επιτύχουν την βέλτιστη δυνατή διαχείριση των δικτύων τους για την αντιμετώπιση της διαρκούς αύξησης του όγκου δεδομένων, που καταφέρνει σε πολλές περιπτώσεις να ξεπεράσει την ικανότητα χειρισμού των ήδη υπάρχουσων υποδομών, των αυξανόμενων απαιτήσεων των χρηστών και της πολυπλοκότητας που εισάγουν οι διαφορετικές τεχνολογίες. Τα ζητήματα αυτά απαιτούν εξεζητημένες μεθόδους εξόρυξης δεδομένων, ικανές να επεξεργαστούν και να αξιοποιήσουν τα ογκώδη δεδομένα, επιτρέποντας σε μηχανισμούς αυτο-οργάνωσης (SON) να ενεργήσουν και να διευκολύνουν τις δικτυακές υποδομές. Για το σκοπό αυτό, στην παρούσα εργασία εισάγουμε ένα κατανεμημένο πλαίσιο εξόρυξης δεδομένων (DDMF), το οποίο εκμεταλεύεται πρωτοποριακούς μηχανισμούς εξόρυξης, όπως το Spectral Clustering και τα SVMs. Βασιζόμενο σε μια καινοτόμα αρχιτεκτονική που αποκαλείται UMF, το πλαίσιο συμβάλλει στην εξαγωγή γνώσης από μη επεξεργασμένα δεδομένα σχετικά με το δίκτυο και τις παρεχόμενες υπηρεσίες και αποκαλύπτει την ωφέλιμη πληροφορία από μεγάλα σύνολα δεδομένων. Εξ όσων γνωρίζουμε, αυτή είναι η πρώτη εργασία που εισάγει την χρήση ιδιαίτερα εξελιγμένων τεχνικών εξόρυξης δεδομένων για τη διαχείριση ενός δικτύου. Η πειραματική μελέτη και εκτίμηση αποδοτικότητας του παραπάνω πλαισίου πραγματοποιείται σε ασύρματο περιβάλλον WLAN για την αναγνώριση φόρτου εντός του δικτύου και τα αποτελέσματα αναδεικνύουν την επάρκεια της πρότασης αυτής σε σύγκριση με προηγούμενες προσεγγίσεις.","The last years, Network operators are struggling to perform efficient network management due to the prominent increase of data that surpass their infrastructures, the increased user demands and the complexity that the different technologies introduce. Those issues require novel data mining approaches able to process and exploit the voluminous data, enabling different SON mechanisms to act upon the network infrastructures. To this end, we introduce a Distributed Data Mining Framework (DDMF), which is exploiting cutting-edge data mining tools such as spectral clustering and SVMs; based on a novel NM approach called UMF, DDMF extracts knowledge from raw network and service data and reveals the hidden context from massive datasets. To our knowledge, this is the first work that introduces such sophisticated data mining techniques for network management. The validation of DDMF is performed in a WLAN environment for a Load identification scenario and the results prove the efficiency of our work in comparison with a previous approach."],"dc:identifier":["uoadl:1320811","https://pergamos.lib.uoa.gr/uoa/dl/object/1320811"],"dc:language":["English"],"dc:title":["A distributed data mining framework for knowledge extraction and dissemination in future internet environments"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:26:32Z"}