{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5311364"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5311364","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Serverless and Distributed Implementation of a Multilayer Perceptron","abstract":"Η παρούσα διπλωματική εργασία εξερευνά έναν νέο τρόπο εκτέλεσης νευρωνικών δικτύων, διασπώντας τα σε μικρές, ανεξάρτητες μονάδες. Αντί το Πολυεπίπεδο Νευρωνικό Δίκτυο να αντιμετωπίζεται ως ένα ενιαίο, μονολιθικό σύνολο, στην προτεινόμενη προσέγγιση κάθε νευρώνας υλοποιείται ως ξεχωριστή serverless συνάρτηση. Οι συναρτήσεις αυτές είναι ελαφριές, ελαστικές και χωρίς κατάσταση. Φορτώνουν δυναμικά τα προεκπαιδευμένα βάρη, τα biases και τις συναρτήσεις ενεργοποίησής τους από ένα αρχείο JSON, επιτρέποντας την εκτέλεση του μοντέλου χωρίς να απαιτείται εκ νέου εκπαίδευσή του. Η επικοινωνία μεταξύ των νευρώνων πραγματοποιείται μέσω του Kafka, το οποίο εξασφαλίζει αξιόπιστη μετάδοση μηνυμάτων, ενώ το Redis χρησιμοποιείται ως ταχύ σύστημα αποθήκευσης στη μνήμη για την ανταλλαγή δεδομένων. Το αποτέλεσμα είναι μια serverless αρχιτεκτονική στο υπολογιστικό νέφος, που επιτρέπει στα νευρωνικά δίκτυα να λειτουργούν με κατανεμημένο και ανθεκτικό σε σφάλματα τρόπο. Η εργασία αυτή αποδεικνύει ότι τα νευρωνικά δίκτυα δεν είναι απαραίτητο να εκτελούνται ως ένα ενιαίο σύνολο, αλλά μπορούν να διασπαστούν σε επιμέρους νευρώνες και να λειτουργήσουν ως μικρές, ανεξάρτητες serverless συναρτήσεις στο υπολογιστικό νέφος.","abstract_html":"Η παρούσα διπλωματική εργασία εξερευνά έναν νέο τρόπο εκτέλεσης νευρωνικών δικτύων, διασπώντας τα σε μικρές, ανεξάρτητες μονάδες. Αντί το Πολυεπίπεδο Νευρωνικό Δίκτυο να αντιμετωπίζεται ως ένα ενιαίο, μονολιθικό σύνολο, στην προτεινόμενη προσέγγιση κάθε νευρώνας υλοποιείται ως ξεχωριστή serverless συνάρτηση. Οι συναρτήσεις αυτές είναι ελαφριές, ελαστικές και χωρίς κατάσταση. Φορτώνουν δυναμικά τα προεκπαιδευμένα βάρη, τα biases και τις συναρτήσεις ενεργοποίησής τους από ένα αρχείο JSON, επιτρέποντας την εκτέλεση του μοντέλου χωρίς να απαιτείται εκ νέου εκπαίδευσή του. Η επικοινωνία μεταξύ των νευρώνων πραγματοποιείται μέσω του Kafka, το οποίο εξασφαλίζει αξιόπιστη μετάδοση μηνυμάτων, ενώ το Redis χρησιμοποιείται ως ταχύ σύστημα αποθήκευσης στη μνήμη για την ανταλλαγή δεδομένων. Το αποτέλεσμα είναι μια serverless αρχιτεκτονική στο υπολογιστικό νέφος, που επιτρέπει στα νευρωνικά δίκτυα να λειτουργούν με κατανεμημένο και ανθεκτικό σε σφάλματα τρόπο. Η εργασία αυτή αποδεικνύει ότι τα νευρωνικά δίκτυα δεν είναι απαραίτητο να εκτελούνται ως ένα ενιαίο σύνολο, αλλά μπορούν να διασπαστούν σε επιμέρους νευρώνες και να λειτουργήσουν ως μικρές, ανεξάρτητες serverless συναρτήσεις στο υπολογιστικό νέφος.","abstract_has_math":false,"creators":["Χρήστου Κωνσταντίνος","Δαβίνος Κωνσταντίνος","Christou Konstantinos","Davinos Konstantinos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:40:45Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5311364"],"render_values":[{"text":"uoadl:5311364","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5311364","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5311364","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%3A5311364","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Χρήστου Κωνσταντίνος","Δαβίνος Κωνσταντίνος","Christou Konstantinos","Davinos Konstantinos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"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":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5311364","https://pergamos.lib.uoa.gr/uoa/dl/object/5311364"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία εξερευνά έναν νέο τρόπο εκτέλεσης νευρωνικών δικτύων, διασπώντας τα σε μικρές, ανεξάρτητες μονάδες. Αντί το Πολυεπίπεδο Νευρωνικό Δίκτυο να αντιμετωπίζεται ως ένα ενιαίο, μονολιθικό σύνολο, στην προτεινόμενη προσέγγιση κάθε νευρώνας υλοποιείται ως ξεχωριστή serverless συνάρτηση. Οι συναρτήσεις αυτές είναι ελαφριές, ελαστικές και χωρίς κατάσταση. Φορτώνουν δυναμικά τα προεκπαιδευμένα βάρη, τα biases και τις συναρτήσεις ενεργοποίησής τους από ένα αρχείο JSON, επιτρέποντας την εκτέλεση του μοντέλου χωρίς να απαιτείται εκ νέου εκπαίδευσή του. Η επικοινωνία μεταξύ των νευρώνων πραγματοποιείται μέσω του Kafka, το οποίο εξασφαλίζει αξιόπιστη μετάδοση μηνυμάτων, ενώ το Redis χρησιμοποιείται ως ταχύ σύστημα αποθήκευσης στη μνήμη για την ανταλλαγή δεδομένων. Το αποτέλεσμα είναι μια serverless αρχιτεκτονική στο υπολογιστικό νέφος, που επιτρέπει στα νευρωνικά δίκτυα να λειτουργούν με κατανεμημένο και ανθεκτικό σε σφάλματα τρόπο. Η εργασία αυτή αποδεικνύει ότι τα νευρωνικά δίκτυα δεν είναι απαραίτητο να εκτελούνται ως ένα ενιαίο σύνολο, αλλά μπορούν να διασπαστούν σε επιμέρους νευρώνες και να λειτουργήσουν ως μικρές, ανεξάρτητες serverless συναρτήσεις στο υπολογιστικό νέφος.","This thesis explores a new way of running neural networks by breaking them down into small, independent pieces. Instead of treating a Multilayer Perceptron (MLP) as one large block, in this approach each neuron is deployed as its own serverless function. These functions are lightweight, elastic and stateless. They dynamically load their pre-trained weights, biases and activation functions from a configuration file, so that inference can be performed without retraining. Communication between neurons happens through Kafka, which provides reliable message passing, while Redis is used as a fast, in-memory storage system for exchanging data. The result is a serverless, cloud-native architecture that allows neural networks to operate in a distributed, scalable and fault-tolerant way. This work shows that neural networks don’t have to run as one big block, but they can be broken down into individual neurons and run as tiny serverless functions in the cloud."]},{"key":"dc:title","label":"Title","values":["Serverless and Distributed Implementation of a Multilayer Perceptron"]}]}],"canonical_facts":{"dc:creator":["Χρήστου Κωνσταντίνος","Δαβίνος Κωνσταντίνος","Christou Konstantinos","Davinos Konstantinos"],"dc:date":["2025"],"dc:description":["Η παρούσα διπλωματική εργασία εξερευνά έναν νέο τρόπο εκτέλεσης νευρωνικών δικτύων, διασπώντας τα σε μικρές, ανεξάρτητες μονάδες. Αντί το Πολυεπίπεδο Νευρωνικό Δίκτυο να αντιμετωπίζεται ως ένα ενιαίο, μονολιθικό σύνολο, στην προτεινόμενη προσέγγιση κάθε νευρώνας υλοποιείται ως ξεχωριστή serverless συνάρτηση. Οι συναρτήσεις αυτές είναι ελαφριές, ελαστικές και χωρίς κατάσταση. Φορτώνουν δυναμικά τα προεκπαιδευμένα βάρη, τα biases και τις συναρτήσεις ενεργοποίησής τους από ένα αρχείο JSON, επιτρέποντας την εκτέλεση του μοντέλου χωρίς να απαιτείται εκ νέου εκπαίδευσή του. Η επικοινωνία μεταξύ των νευρώνων πραγματοποιείται μέσω του Kafka, το οποίο εξασφαλίζει αξιόπιστη μετάδοση μηνυμάτων, ενώ το Redis χρησιμοποιείται ως ταχύ σύστημα αποθήκευσης στη μνήμη για την ανταλλαγή δεδομένων. Το αποτέλεσμα είναι μια serverless αρχιτεκτονική στο υπολογιστικό νέφος, που επιτρέπει στα νευρωνικά δίκτυα να λειτουργούν με κατανεμημένο και ανθεκτικό σε σφάλματα τρόπο. Η εργασία αυτή αποδεικνύει ότι τα νευρωνικά δίκτυα δεν είναι απαραίτητο να εκτελούνται ως ένα ενιαίο σύνολο, αλλά μπορούν να διασπαστούν σε επιμέρους νευρώνες και να λειτουργήσουν ως μικρές, ανεξάρτητες serverless συναρτήσεις στο υπολογιστικό νέφος.","This thesis explores a new way of running neural networks by breaking them down into small, independent pieces. Instead of treating a Multilayer Perceptron (MLP) as one large block, in this approach each neuron is deployed as its own serverless function. These functions are lightweight, elastic and stateless. They dynamically load their pre-trained weights, biases and activation functions from a configuration file, so that inference can be performed without retraining. Communication between neurons happens through Kafka, which provides reliable message passing, while Redis is used as a fast, in-memory storage system for exchanging data. The result is a serverless, cloud-native architecture that allows neural networks to operate in a distributed, scalable and fault-tolerant way. This work shows that neural networks don’t have to run as one big block, but they can be broken down into individual neurons and run as tiny serverless functions in the cloud."],"dc:identifier":["uoadl:5311364","https://pergamos.lib.uoa.gr/uoa/dl/object/5311364"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Serverless and Distributed Implementation of a Multilayer Perceptron"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:45Z"}