{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2926716"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2926716","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"ΚΑΤΑΝΕΜΗΜΕΝΗ ΔΙΑΧΕΙΡΙΣΗ ΕΡΓΑΣΙΩΝ ΣΤΙΣ ΠΑΡΥΦΕΣ ΤΟΥ ΔΙΚΤΥΟΥ","abstract":"Παρατηρούμε ότι, όλο και περισσότερες συσκευές του Διαδικτύου των Πραγμάτων (ΔτΠ) γίνονται απαραίτητες στην καθημερινότητα μας. Η αυξημένη χρήση τέτοιου είδους συσκευών οδηγεί στην παραγωγή μεγάλου όγκου δεδομένων. Ως εκ τούτου, υφίσταται σήμερα πληθώρα εφαρμογών για τη διαχείριση αυτών των δεδομένων. Πέραν από τις συσκευές οι οποίες επεξεργάζονται και αξιοποιούν δεδομένα καταλήγοντας σε συμπεράσματα, υπάρχουν και οι συσκευές στο πεδίο του ΔτΠ οι οποίες είναι αναγκαίο να λαμβάνουν ορθές αποφάσεις ακαριαία και σε πραγματικό χρόνο. Οι επιπτώσεις της καθυστέρησης λήψης αποφάσεων σε πραγματικό χρόνο από τέτοια συστήματα είναι καθοριστικές. Χαρακτηριστικό είναι το παράδειγμα των αυτόνομων οχημάτων στην περίπτωση των οποίων έρχονται αντιμέτωπα με άγνωστα γεγονότα για τα οποία θα πρέπει να ζητήσουν δεδομένα από το σύστημα για να ανταποκριθούν ανάλογα. Αν το σύστημα καθυστερήσει, υπάρχει περίπτωση ο χρήστης, απλώς να αναμένει την ανταπόκριση του συστήματος. Υπάρχει ωστόσο και η περίπτωση, η καθυστέρηση του συστήματος να οδηγήσει σε τραγική κατάληξη. Έτσι λοιπόν, το επιχείρημα που δημιουργήθηκε είναι ότι κατανέμοντας σωστά τα δεδομένα έχουμε πρότερη γνώση για το που φιλοξενούνται. Συνεπώς γνωρίζονται το τι δεδομένα υπάρχουν στον κάθε κόμβο, έτσι μπορούμε να κατευθύνουμε αποδοτικά τα ερωτήματα που εισέρχονται στο δίκτυο. Ακόμη έχοντας τα δεδομένα κοντά στις πηγές τους, δεν χρειάζεται να ταξιδεύουν μέχρι το υπολογιστικό νέφος οπότε μειώνεται και η καθυστέρηση του δικτύου. Μια τέτοια προσέγγιση είναι και αυτή του Edge Computing. Στην παρούσα εργασία, λαμβάνοντας υπόψιν την υφιστάμενη βιβλιογραφία, δημιουργήσαμε και εκτελέσαμε την προσομοίωση του δικτύου και προτείνουμε έναν αλγόριθμο διαμοιρασμού δεδομένων σε κόμβους. Στόχος μας είναι να διαμοιραστούν όσο το δυνατόν πιο γρήγορα αλλά και ομοιόμορφα τα δεδομένα στους κόμβους. Ανάλογα με τις απαιτήσεις της συγκεκριμένης συσκευής χρησιμοποιούμε κάποιες μεθόδους ομαδοποίησης κόμβων για να μειώσουμε το εύρος αναζήτησης. Τέλος, χρησιμοποιώντας μετρικές συναρτήσεις, υπολογίζουμε τον κατάλληλο κόμβο για να εισάγουμε τις συγκεκριμένες τιμές. Η μελέτη αυτή περιέχει την περιγραφή του αλγορίθμου που προτείνουμε και την αξιολόγησή του μέσα από ένα πλήθος προσομοιώσεων, που υιοθετούν πειραματικά σενάρια.","abstract_html":"Παρατηρούμε ότι, όλο και περισσότερες συσκευές του Διαδικτύου των Πραγμάτων (ΔτΠ) γίνονται απαραίτητες στην καθημερινότητα μας. Η αυξημένη χρήση τέτοιου είδους συσκευών οδηγεί στην παραγωγή μεγάλου όγκου δεδομένων. Ως εκ τούτου, υφίσταται σήμερα πληθώρα εφαρμογών για τη διαχείριση αυτών των δεδομένων. Πέραν από τις συσκευές οι οποίες επεξεργάζονται και αξιοποιούν δεδομένα καταλήγοντας σε συμπεράσματα, υπάρχουν και οι συσκευές στο πεδίο του ΔτΠ οι οποίες είναι αναγκαίο να λαμβάνουν ορθές αποφάσεις ακαριαία και σε πραγματικό χρόνο. Οι επιπτώσεις της καθυστέρησης λήψης αποφάσεων σε πραγματικό χρόνο από τέτοια συστήματα είναι καθοριστικές. Χαρακτηριστικό είναι το παράδειγμα των αυτόνομων οχημάτων στην περίπτωση των οποίων έρχονται αντιμέτωπα με άγνωστα γεγονότα για τα οποία θα πρέπει να ζητήσουν δεδομένα από το σύστημα για να ανταποκριθούν ανάλογα. Αν το σύστημα καθυστερήσει, υπάρχει περίπτωση ο χρήστης, απλώς να αναμένει την ανταπόκριση του συστήματος. Υπάρχει ωστόσο και η περίπτωση, η καθυστέρηση του συστήματος να οδηγήσει σε τραγική κατάληξη. Έτσι λοιπόν, το επιχείρημα που δημιουργήθηκε είναι ότι κατανέμοντας σωστά τα δεδομένα έχουμε πρότερη γνώση για το που φιλοξενούνται. Συνεπώς γνωρίζονται το τι δεδομένα υπάρχουν στον κάθε κόμβο, έτσι μπορούμε να κατευθύνουμε αποδοτικά τα ερωτήματα που εισέρχονται στο δίκτυο. Ακόμη έχοντας τα δεδομένα κοντά στις πηγές τους, δεν χρειάζεται να ταξιδεύουν μέχρι το υπολογιστικό νέφος οπότε μειώνεται και η καθυστέρηση του δικτύου. Μια τέτοια προσέγγιση είναι και αυτή του Edge Computing. Στην παρούσα εργασία, λαμβάνοντας υπόψιν την υφιστάμενη βιβλιογραφία, δημιουργήσαμε και εκτελέσαμε την προσομοίωση του δικτύου και προτείνουμε έναν αλγόριθμο διαμοιρασμού δεδομένων σε κόμβους. Στόχος μας είναι να διαμοιραστούν όσο το δυνατόν πιο γρήγορα αλλά και ομοιόμορφα τα δεδομένα στους κόμβους. Ανάλογα με τις απαιτήσεις της συγκεκριμένης συσκευής χρησιμοποιούμε κάποιες μεθόδους ομαδοποίησης κόμβων για να μειώσουμε το εύρος αναζήτησης. Τέλος, χρησιμοποιώντας μετρικές συναρτήσεις, υπολογίζουμε τον κατάλληλο κόμβο για να εισάγουμε τις συγκεκριμένες τιμές. Η μελέτη αυτή περιέχει την περιγραφή του αλγορίθμου που προτείνουμε και την αξιολόγησή του μέσα από ένα πλήθος προσομοιώσεων, που υιοθετούν πειραματικά σενάρια.","abstract_has_math":false,"creators":["Φλουρής Δημήτρης","Flouris Demetris"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2020,"date_issued":"2020","date_published":"2020","updated_at":"2026-11-19T05:40:54Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2926716"],"render_values":[{"text":"uoadl:2926716","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2926716","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2926716","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%3A2926716","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Φλουρής Δημήτρης","Flouris Demetris"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2020"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2926716","https://pergamos.lib.uoa.gr/uoa/dl/object/2926716"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Παρατηρούμε ότι, όλο και περισσότερες συσκευές του Διαδικτύου των Πραγμάτων (ΔτΠ) γίνονται απαραίτητες στην καθημερινότητα μας. Η αυξημένη χρήση τέτοιου είδους συσκευών οδηγεί στην παραγωγή μεγάλου όγκου δεδομένων. Ως εκ τούτου, υφίσταται σήμερα πληθώρα εφαρμογών για τη διαχείριση αυτών των δεδομένων. Πέραν από τις συσκευές οι οποίες επεξεργάζονται και αξιοποιούν δεδομένα καταλήγοντας σε συμπεράσματα, υπάρχουν και οι συσκευές στο πεδίο του ΔτΠ οι οποίες είναι αναγκαίο να λαμβάνουν ορθές αποφάσεις ακαριαία και σε πραγματικό χρόνο. Οι επιπτώσεις της καθυστέρησης λήψης αποφάσεων σε πραγματικό χρόνο από τέτοια συστήματα είναι καθοριστικές. Χαρακτηριστικό είναι το παράδειγμα των αυτόνομων οχημάτων στην περίπτωση των οποίων έρχονται αντιμέτωπα με άγνωστα γεγονότα για τα οποία θα πρέπει να ζητήσουν δεδομένα από το σύστημα για να ανταποκριθούν ανάλογα. Αν το σύστημα καθυστερήσει, υπάρχει περίπτωση ο χρήστης, απλώς να αναμένει την ανταπόκριση του συστήματος. Υπάρχει ωστόσο και η περίπτωση, η καθυστέρηση του συστήματος να οδηγήσει σε τραγική κατάληξη. Έτσι λοιπόν, το επιχείρημα που δημιουργήθηκε είναι ότι κατανέμοντας σωστά τα δεδομένα έχουμε πρότερη γνώση για το που φιλοξενούνται. Συνεπώς γνωρίζονται το τι δεδομένα υπάρχουν στον κάθε κόμβο, έτσι μπορούμε να κατευθύνουμε αποδοτικά τα ερωτήματα που εισέρχονται στο δίκτυο. Ακόμη έχοντας τα δεδομένα κοντά στις πηγές τους, δεν χρειάζεται να ταξιδεύουν μέχρι το υπολογιστικό νέφος οπότε μειώνεται και η καθυστέρηση του δικτύου. Μια τέτοια προσέγγιση είναι και αυτή του Edge Computing. Στην παρούσα εργασία, λαμβάνοντας υπόψιν την υφιστάμενη βιβλιογραφία, δημιουργήσαμε και εκτελέσαμε την προσομοίωση του δικτύου και προτείνουμε έναν αλγόριθμο διαμοιρασμού δεδομένων σε κόμβους. Στόχος μας είναι να διαμοιραστούν όσο το δυνατόν πιο γρήγορα αλλά και ομοιόμορφα τα δεδομένα στους κόμβους. Ανάλογα με τις απαιτήσεις της συγκεκριμένης συσκευής χρησιμοποιούμε κάποιες μεθόδους ομαδοποίησης κόμβων για να μειώσουμε το εύρος αναζήτησης. Τέλος, χρησιμοποιώντας μετρικές συναρτήσεις, υπολογίζουμε τον κατάλληλο κόμβο για να εισάγουμε τις συγκεκριμένες τιμές. Η μελέτη αυτή περιέχει την περιγραφή του αλγορίθμου που προτείνουμε και την αξιολόγησή του μέσα από ένα πλήθος προσομοιώσεων, που υιοθετούν πειραματικά σενάρια.","It becomes apparent that more and more devices that belong in the Internet of Things (IoT) are evolving into an imperative part of our everyday lives. The increased use of this type of devices has as a result the production of large volumes of data and consequently the need for a plethora of applications to control these data. Despite there being devices, where by using the aforementioned data, manage to reach to their own specific conclusions, there are certain devices under the network of the IoT, which should have the ability to make accurate and instantaneous decisions in real time. The consequences of a potential delay to respond are serious especially in a scenario where an autonomous vehicle encounters a situation which requires it to respond using the system’s data. In case of a delayed response, the best-case scenario would have the user waiting patiently for the device to respond, while the worst-case scenario could involve severely tragic consequences. The need for better data allocation was created for this exact purpose: The efficient data allocation is also targeting to collect ‘similar’ data to the same repositories, thus, to have the opportunity to build effective query management plans beforehand. The concept of edge computing aims to achieve this goal. This research will go beyond the analysis of the relevant bibliography, by creating a network simulation where data will be distributed into edge nodes, suggesting a data distribution algorithm into those nodes. Our goal is to reach the fastest and most consistent way of achieving data distribution into edge nodes. Depending on the requirements of each specific device, certain methods of clustering edge nodes will be used in order to decrease the range of search while through using clustering algorithms, we will attempt to calculate the appropriate edge node in order to allocate the specific data. This research describes our suggested algorithm and evaluates its performance using a plethora of simulations which implement experimental scenarios."]},{"key":"dc:title","label":"Title","values":["ΚΑΤΑΝΕΜΗΜΕΝΗ ΔΙΑΧΕΙΡΙΣΗ ΕΡΓΑΣΙΩΝ ΣΤΙΣ ΠΑΡΥΦΕΣ ΤΟΥ ΔΙΚΤΥΟΥ"]}]}],"canonical_facts":{"dc:creator":["Φλουρής Δημήτρης","Flouris Demetris"],"dc:date":["2020"],"dc:description":["Παρατηρούμε ότι, όλο και περισσότερες συσκευές του Διαδικτύου των Πραγμάτων (ΔτΠ) γίνονται απαραίτητες στην καθημερινότητα μας. Η αυξημένη χρήση τέτοιου είδους συσκευών οδηγεί στην παραγωγή μεγάλου όγκου δεδομένων. Ως εκ τούτου, υφίσταται σήμερα πληθώρα εφαρμογών για τη διαχείριση αυτών των δεδομένων. Πέραν από τις συσκευές οι οποίες επεξεργάζονται και αξιοποιούν δεδομένα καταλήγοντας σε συμπεράσματα, υπάρχουν και οι συσκευές στο πεδίο του ΔτΠ οι οποίες είναι αναγκαίο να λαμβάνουν ορθές αποφάσεις ακαριαία και σε πραγματικό χρόνο. Οι επιπτώσεις της καθυστέρησης λήψης αποφάσεων σε πραγματικό χρόνο από τέτοια συστήματα είναι καθοριστικές. Χαρακτηριστικό είναι το παράδειγμα των αυτόνομων οχημάτων στην περίπτωση των οποίων έρχονται αντιμέτωπα με άγνωστα γεγονότα για τα οποία θα πρέπει να ζητήσουν δεδομένα από το σύστημα για να ανταποκριθούν ανάλογα. Αν το σύστημα καθυστερήσει, υπάρχει περίπτωση ο χρήστης, απλώς να αναμένει την ανταπόκριση του συστήματος. Υπάρχει ωστόσο και η περίπτωση, η καθυστέρηση του συστήματος να οδηγήσει σε τραγική κατάληξη. Έτσι λοιπόν, το επιχείρημα που δημιουργήθηκε είναι ότι κατανέμοντας σωστά τα δεδομένα έχουμε πρότερη γνώση για το που φιλοξενούνται. Συνεπώς γνωρίζονται το τι δεδομένα υπάρχουν στον κάθε κόμβο, έτσι μπορούμε να κατευθύνουμε αποδοτικά τα ερωτήματα που εισέρχονται στο δίκτυο. Ακόμη έχοντας τα δεδομένα κοντά στις πηγές τους, δεν χρειάζεται να ταξιδεύουν μέχρι το υπολογιστικό νέφος οπότε μειώνεται και η καθυστέρηση του δικτύου. Μια τέτοια προσέγγιση είναι και αυτή του Edge Computing. Στην παρούσα εργασία, λαμβάνοντας υπόψιν την υφιστάμενη βιβλιογραφία, δημιουργήσαμε και εκτελέσαμε την προσομοίωση του δικτύου και προτείνουμε έναν αλγόριθμο διαμοιρασμού δεδομένων σε κόμβους. Στόχος μας είναι να διαμοιραστούν όσο το δυνατόν πιο γρήγορα αλλά και ομοιόμορφα τα δεδομένα στους κόμβους. Ανάλογα με τις απαιτήσεις της συγκεκριμένης συσκευής χρησιμοποιούμε κάποιες μεθόδους ομαδοποίησης κόμβων για να μειώσουμε το εύρος αναζήτησης. Τέλος, χρησιμοποιώντας μετρικές συναρτήσεις, υπολογίζουμε τον κατάλληλο κόμβο για να εισάγουμε τις συγκεκριμένες τιμές. Η μελέτη αυτή περιέχει την περιγραφή του αλγορίθμου που προτείνουμε και την αξιολόγησή του μέσα από ένα πλήθος προσομοιώσεων, που υιοθετούν πειραματικά σενάρια.","It becomes apparent that more and more devices that belong in the Internet of Things (IoT) are evolving into an imperative part of our everyday lives. The increased use of this type of devices has as a result the production of large volumes of data and consequently the need for a plethora of applications to control these data. Despite there being devices, where by using the aforementioned data, manage to reach to their own specific conclusions, there are certain devices under the network of the IoT, which should have the ability to make accurate and instantaneous decisions in real time. The consequences of a potential delay to respond are serious especially in a scenario where an autonomous vehicle encounters a situation which requires it to respond using the system’s data. In case of a delayed response, the best-case scenario would have the user waiting patiently for the device to respond, while the worst-case scenario could involve severely tragic consequences. The need for better data allocation was created for this exact purpose: The efficient data allocation is also targeting to collect ‘similar’ data to the same repositories, thus, to have the opportunity to build effective query management plans beforehand. The concept of edge computing aims to achieve this goal. This research will go beyond the analysis of the relevant bibliography, by creating a network simulation where data will be distributed into edge nodes, suggesting a data distribution algorithm into those nodes. Our goal is to reach the fastest and most consistent way of achieving data distribution into edge nodes. Depending on the requirements of each specific device, certain methods of clustering edge nodes will be used in order to decrease the range of search while through using clustering algorithms, we will attempt to calculate the appropriate edge node in order to allocate the specific data. This research describes our suggested algorithm and evaluates its performance using a plethora of simulations which implement experimental scenarios."],"dc:identifier":["uoadl:2926716","https://pergamos.lib.uoa.gr/uoa/dl/object/2926716"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["ΚΑΤΑΝΕΜΗΜΕΝΗ ΔΙΑΧΕΙΡΙΣΗ ΕΡΓΑΣΙΩΝ ΣΤΙΣ ΠΑΡΥΦΕΣ ΤΟΥ ΔΙΚΤΥΟΥ"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:40:54Z"}