{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5456310"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5456310","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Reducing Multivariate IoT Data Streams at the Network Edge for Efficient Cloud Storage","abstract":"Η παρούσα διπλωματική εργασία αφορά την ανάπτυξη μιας μεθοδολογίας για τη μείωση δεδομένων σε πολυμεταβλητές ροές δεδομένων IoT, με στόχο τη δημιουργία ενός αντιπροσωπευτικού δείγματος που επιτρέπει την αποδοτικότερη αποθήκευσή τους στο υπολογιστικό νέφος (cloud). Η προτεινόμενη προσέγγιση εστιάζει στην επεξεργασία των δεδομένων στην παρυφή του δικτύου, περιορίζοντας τον όγκο των δεδομένων πριν από τη μετάδοσή τους στο υπολογιστικό νέφος. Για την επίτευξη της μείωσης των δεδομένων, εξετάζονται αλγόριθμοι επιλογής και αντικατάστασης μετρήσεων κατά την εισαγωγή τους σε μια δομή δεξαμενής (buffer). Κεντρικό στοιχείο της προτεινόμενης μεθοδολογίας αποτελεί η χρήση του αλγορίθμου Multivariate Cumulative Sum (MCUSUM) ως μηχανισμού ανίχνευσης μεταβολών στη ροή δεδομένων. Ο αλγόριθμος καθορίζει το τέλος μιας «εποχής», σηματοδοτώντας την αποστολή των δεδομένων που έχουν διατηρηθεί στη δεξαμενή προς το υπολογιστικό νέφος και την έναρξη μιας νέας εποχής. Με τον τρόπο αυτό επιδιώκεται η διατήρηση των σημαντικών στατιστικών χαρακτηριστικών της ροής, παράλληλα με τη μείωση του όγκου των μεταδιδόμενων δεδομένων. Τέλος, πραγματοποιείται πειραματική αξιολόγηση της προτεινόμενης μεθοδολογίας, εξετάζοντας διαφορετικές στρατηγικές αντικατάστασης, διαφορετικά μεγέθη δεξαμενής και διαφορετικές τιμές των παραμέτρων του MCUSUM. Η αξιολόγηση βασίζεται σε δείκτες που αποτυπώνουν τόσο τον βαθμό συμπίεσης όσο και τη διατήρηση της στατιστικής πιστότητας και της ικανότητας ανίχνευσης. Στόχος είναι η διερεύνηση της ισορροπίας μεταξύ της μείωσης του όγκου των δεδομένων και της διατήρησης της πληροφορίας που περιέχεται στην αρχική ροή.","abstract_html":"Η παρούσα διπλωματική εργασία αφορά την ανάπτυξη μιας μεθοδολογίας για τη μείωση δεδομένων σε πολυμεταβλητές ροές δεδομένων IoT, με στόχο τη δημιουργία ενός αντιπροσωπευτικού δείγματος που επιτρέπει την αποδοτικότερη αποθήκευσή τους στο υπολογιστικό νέφος (cloud). Η προτεινόμενη προσέγγιση εστιάζει στην επεξεργασία των δεδομένων στην παρυφή του δικτύου, περιορίζοντας τον όγκο των δεδομένων πριν από τη μετάδοσή τους στο υπολογιστικό νέφος. Για την επίτευξη της μείωσης των δεδομένων, εξετάζονται αλγόριθμοι επιλογής και αντικατάστασης μετρήσεων κατά την εισαγωγή τους σε μια δομή δεξαμενής (buffer). Κεντρικό στοιχείο της προτεινόμενης μεθοδολογίας αποτελεί η χρήση του αλγορίθμου Multivariate Cumulative Sum (MCUSUM) ως μηχανισμού ανίχνευσης μεταβολών στη ροή δεδομένων. Ο αλγόριθμος καθορίζει το τέλος μιας «εποχής», σηματοδοτώντας την αποστολή των δεδομένων που έχουν διατηρηθεί στη δεξαμενή προς το υπολογιστικό νέφος και την έναρξη μιας νέας εποχής. Με τον τρόπο αυτό επιδιώκεται η διατήρηση των σημαντικών στατιστικών χαρακτηριστικών της ροής, παράλληλα με τη μείωση του όγκου των μεταδιδόμενων δεδομένων. Τέλος, πραγματοποιείται πειραματική αξιολόγηση της προτεινόμενης μεθοδολογίας, εξετάζοντας διαφορετικές στρατηγικές αντικατάστασης, διαφορετικά μεγέθη δεξαμενής και διαφορετικές τιμές των παραμέτρων του MCUSUM. Η αξιολόγηση βασίζεται σε δείκτες που αποτυπώνουν τόσο τον βαθμό συμπίεσης όσο και τη διατήρηση της στατιστικής πιστότητας και της ικανότητας ανίχνευσης. Στόχος είναι η διερεύνηση της ισορροπίας μεταξύ της μείωσης του όγκου των δεδομένων και της διατήρησης της πληροφορίας που περιέχεται στην αρχική ροή.","abstract_has_math":false,"creators":["ΠΑΠΑΓΕΩΡΓΙΟΥ ΜΙΧΑΗΛ","PAPAGEORGIOU MICHAIL"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:20:56Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5456310"],"render_values":[{"text":"uoadl:5456310","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5456310","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5456310","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%3A5456310","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΠΑΠΑΓΕΩΡΓΙΟΥ ΜΙΧΑΗΛ","PAPAGEORGIOU MICHAIL"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"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":["Θετικές Επιστήμες","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:5456310","https://pergamos.lib.uoa.gr/uoa/dl/object/5456310"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία αφορά την ανάπτυξη μιας μεθοδολογίας για τη μείωση δεδομένων σε πολυμεταβλητές ροές δεδομένων IoT, με στόχο τη δημιουργία ενός αντιπροσωπευτικού δείγματος που επιτρέπει την αποδοτικότερη αποθήκευσή τους στο υπολογιστικό νέφος (cloud). Η προτεινόμενη προσέγγιση εστιάζει στην επεξεργασία των δεδομένων στην παρυφή του δικτύου, περιορίζοντας τον όγκο των δεδομένων πριν από τη μετάδοσή τους στο υπολογιστικό νέφος. Για την επίτευξη της μείωσης των δεδομένων, εξετάζονται αλγόριθμοι επιλογής και αντικατάστασης μετρήσεων κατά την εισαγωγή τους σε μια δομή δεξαμενής (buffer). Κεντρικό στοιχείο της προτεινόμενης μεθοδολογίας αποτελεί η χρήση του αλγορίθμου Multivariate Cumulative Sum (MCUSUM) ως μηχανισμού ανίχνευσης μεταβολών στη ροή δεδομένων. Ο αλγόριθμος καθορίζει το τέλος μιας «εποχής», σηματοδοτώντας την αποστολή των δεδομένων που έχουν διατηρηθεί στη δεξαμενή προς το υπολογιστικό νέφος και την έναρξη μιας νέας εποχής. Με τον τρόπο αυτό επιδιώκεται η διατήρηση των σημαντικών στατιστικών χαρακτηριστικών της ροής, παράλληλα με τη μείωση του όγκου των μεταδιδόμενων δεδομένων. Τέλος, πραγματοποιείται πειραματική αξιολόγηση της προτεινόμενης μεθοδολογίας, εξετάζοντας διαφορετικές στρατηγικές αντικατάστασης, διαφορετικά μεγέθη δεξαμενής και διαφορετικές τιμές των παραμέτρων του MCUSUM. Η αξιολόγηση βασίζεται σε δείκτες που αποτυπώνουν τόσο τον βαθμό συμπίεσης όσο και τη διατήρηση της στατιστικής πιστότητας και της ικανότητας ανίχνευσης. Στόχος είναι η διερεύνηση της ισορροπίας μεταξύ της μείωσης του όγκου των δεδομένων και της διατήρησης της πληροφορίας που περιέχεται στην αρχική ροή.","This master’s thesis focuses on the development of a methodology for data reduction in multivariate IoT data streams, with the aim of generating a representative sample that enables more efficient data storage in the cloud. The proposed approach focuses on processing data at the network edge, thereby reducing the volume of data before transmission to the cloud. To achieve data reduction, data selection and replacement algorithms are investigated for the insertion of measurements into a buffer structure. A central component of the proposed methodology is the use of the Multivariate Cumulative Sum (MCUSUM) algorithm as a mechanism for detecting changes in the data stream. The algorithm determines the end of an “epoch”, signaling the transmission of the data retained in the buffer to the cloud and the beginning of a new epoch. In this way, the methodology aims to preserve the key statistical characteristics of the data stream while reducing the volume of transmitted data. Finally, an experimental evaluation of the proposed methodology is conducted, examining different replacement strategies, buffer sizes, and MCUSUM parameter values. The evaluation is based on indices that capture both the degree of compression and the preservation of statistical fidelity and detection capability. The objective is to investigate the trade-off between reducing data volume and preserving the information contained in the original data stream."]},{"key":"dc:title","label":"Title","values":["Reducing Multivariate IoT Data Streams at the Network Edge for Efficient Cloud Storage"]}]}],"canonical_facts":{"dc:creator":["ΠΑΠΑΓΕΩΡΓΙΟΥ ΜΙΧΑΗΛ","PAPAGEORGIOU MICHAIL"],"dc:date":["2026"],"dc:description":["Η παρούσα διπλωματική εργασία αφορά την ανάπτυξη μιας μεθοδολογίας για τη μείωση δεδομένων σε πολυμεταβλητές ροές δεδομένων IoT, με στόχο τη δημιουργία ενός αντιπροσωπευτικού δείγματος που επιτρέπει την αποδοτικότερη αποθήκευσή τους στο υπολογιστικό νέφος (cloud). Η προτεινόμενη προσέγγιση εστιάζει στην επεξεργασία των δεδομένων στην παρυφή του δικτύου, περιορίζοντας τον όγκο των δεδομένων πριν από τη μετάδοσή τους στο υπολογιστικό νέφος. Για την επίτευξη της μείωσης των δεδομένων, εξετάζονται αλγόριθμοι επιλογής και αντικατάστασης μετρήσεων κατά την εισαγωγή τους σε μια δομή δεξαμενής (buffer). Κεντρικό στοιχείο της προτεινόμενης μεθοδολογίας αποτελεί η χρήση του αλγορίθμου Multivariate Cumulative Sum (MCUSUM) ως μηχανισμού ανίχνευσης μεταβολών στη ροή δεδομένων. Ο αλγόριθμος καθορίζει το τέλος μιας «εποχής», σηματοδοτώντας την αποστολή των δεδομένων που έχουν διατηρηθεί στη δεξαμενή προς το υπολογιστικό νέφος και την έναρξη μιας νέας εποχής. Με τον τρόπο αυτό επιδιώκεται η διατήρηση των σημαντικών στατιστικών χαρακτηριστικών της ροής, παράλληλα με τη μείωση του όγκου των μεταδιδόμενων δεδομένων. Τέλος, πραγματοποιείται πειραματική αξιολόγηση της προτεινόμενης μεθοδολογίας, εξετάζοντας διαφορετικές στρατηγικές αντικατάστασης, διαφορετικά μεγέθη δεξαμενής και διαφορετικές τιμές των παραμέτρων του MCUSUM. Η αξιολόγηση βασίζεται σε δείκτες που αποτυπώνουν τόσο τον βαθμό συμπίεσης όσο και τη διατήρηση της στατιστικής πιστότητας και της ικανότητας ανίχνευσης. Στόχος είναι η διερεύνηση της ισορροπίας μεταξύ της μείωσης του όγκου των δεδομένων και της διατήρησης της πληροφορίας που περιέχεται στην αρχική ροή.","This master’s thesis focuses on the development of a methodology for data reduction in multivariate IoT data streams, with the aim of generating a representative sample that enables more efficient data storage in the cloud. The proposed approach focuses on processing data at the network edge, thereby reducing the volume of data before transmission to the cloud. To achieve data reduction, data selection and replacement algorithms are investigated for the insertion of measurements into a buffer structure. A central component of the proposed methodology is the use of the Multivariate Cumulative Sum (MCUSUM) algorithm as a mechanism for detecting changes in the data stream. The algorithm determines the end of an “epoch”, signaling the transmission of the data retained in the buffer to the cloud and the beginning of a new epoch. In this way, the methodology aims to preserve the key statistical characteristics of the data stream while reducing the volume of transmitted data. Finally, an experimental evaluation of the proposed methodology is conducted, examining different replacement strategies, buffer sizes, and MCUSUM parameter values. The evaluation is based on indices that capture both the degree of compression and the preservation of statistical fidelity and detection capability. The objective is to investigate the trade-off between reducing data volume and preserving the information contained in the original data stream."],"dc:identifier":["uoadl:5456310","https://pergamos.lib.uoa.gr/uoa/dl/object/5456310"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Reducing Multivariate IoT Data Streams at the Network Edge for Efficient Cloud Storage"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:56Z"}