Τοπολογική ανάλυση δεδομένων (TDA) για βελτιστοποίηση απόδοσης και αξιοπιστίας σε πολυπύρηνα υπολογιστικά συστήματα
| datacite.contributor.RelatedPerson | Γεωργίου, Δημήτριος | |
| datacite.contributor.RelatedPerson | Ηλίας, Αριστείδης | |
| datacite.contributor.Supervisor | Ανδρικόπουλος, Αθανάσιος | |
| dc.contributor.author | Παναγόπουλος, Ευστάθιος | |
| dc.contributor.other | Panagopoulos, Efstathios | |
| dc.date.accessioned | 2026-02-25T07:32:23Z | |
| dc.date.available | 2026-02-25T07:32:23Z | |
| dc.date.issued | 2026-02-24 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Η παρούσα διπλωματική εργασία εξετάζει τη χρήση της Τοπολογικής Ανάλυσης Δεδομένων ως εργαλείου κατανόησης, αξιολόγησης και βελτιστοποίησης της απόδοσης και της αξιοπιστίας πολυπύρηνων υπολογιστικών συστημάτων. Τα σύγχρονα πολυπύρηνα περιβάλλοντα χαρακτηρίζονται από αυξημένη πολυπλοκότητα, έντονες αλληλεπιδράσεις μεταξύ πυρήνων και περιορισμούς που σχετίζονται με την κατανάλωση ενέργειας και τη θερμική συμπεριφορά, γεγονός που καθιστά ανεπαρκείς τις κλασικές μεθόδους ανάλυσης. Η εργασία προσεγγίζει το πρόβλημα μετατρέποντας λειτουργικές μετρήσεις των συστημάτων, όπως χρήση επεξεργαστή, συμπεριφορά μνήμης και μεταβολές φορτίου, σε κατάλληλες γεωμετρικές αναπαραστάσεις. Μέσω αυτής της διαδικασίας αναδεικνύεται η υποκείμενη δομή των δεδομένων, η οποία δεν είναι άμεσα ορατή με συμβατικές στατιστικές τεχνικές. Η Τοπολογική Ανάλυση Δεδομένων επιτρέπει τη μελέτη αυτών των δομών σε πολλαπλές κλίμακες, προσφέροντας μια συνολική εικόνα της δυναμικής συμπεριφοράς του συστήματος. Ιδιαίτερη έμφαση δίνεται στη δυνατότητα εντοπισμού μοτίβων συμφόρησης και ανωμαλιών, τα οποία συχνά σχετίζονται με υποβάθμιση της απόδοσης ή αυξημένο κίνδυνο αστοχίας. Η ανάλυση δείχνει ότι οι τοπολογικές υπογραφές μπορούν να λειτουργήσουν ως δείκτες έγκαιρης προειδοποίησης, επιτρέποντας την πρόληψη προβλημάτων πριν αυτά γίνουν εμφανή σε επίπεδο εφαρμογής. Παράλληλα, διερευνάται ο συνδυασμός της τοπολογικής προσέγγισης με τεχνικές μηχανικής μάθησης, με στόχο την αυτόματη ταξινόμηση καταστάσεων λειτουργίας και τη λήψη αποφάσεων για πιο απο-δοτική κατανομή πόρων. Τα αποτελέσματα καταδεικνύουν ότι η τοπολογική πληροφορία μπορεί να ενισχύσει σημαντικά τη διαδικασία λήψης αποφάσεων σε πολύπλοκα υπολογιστικά περιβάλλοντα. Η συμβολή της εργασίας έγκειται στο ότι γεφυρώνει το χάσμα ανάμεσα στη θεωρητική τοπολογική ανάλυση και την πρακτική παρακολούθηση πραγματικών υπολογιστικών συστημάτων. Μέσα από τη συστηματική μετατροπή χαμηλού επιπέδου μετρήσεων σε τοπολογικές αναπαραστάσεις, καθίσταται εφικτή η ερμηνεία πολύπλοκων συμπεριφορών με ενιαίο και συνεκτικό τρόπο. Η προσέγγιση αυτή δεν περιορίζεται στη διάγνωση προβλημάτων, αλλά ανοίγει τον δρόμο για προληπτικές παρεμβάσεις και πιο έξυπνες στρατηγικές διαχείρισης πόρων, ενισχύοντας τη βιωσιμότητα και τη μακροχρόνια αποδοτικότητα των πολυπύρηνων υπολογιστικών πλατφορμών. | |
| dc.description.translatedabstract | This thesis investigates the use of Topological Data Analysis as a framework for understanding, evaluating, and optimizing the performance and reliability of multi-core computing systems. Modern multi-core environments are characterized by increased complexity, strong interactions among processing cores, and constraints related to power consumption and thermal behavior, which render conventional analysis methods insufficient. The proposed approach addresses this challenge by transforming operational system measurements such as processor utilization, memory behavior, and workload variations into appropriate geometric representations. Through this process, the underlying structure of the data is revealed, capturing features that are not directly observable using standard statisti-cal techniques. Topological Data Analysis enables the study of these structures across mul-tiple scales, providing a comprehensive view of the system’s dynamic behavior. Particular emphasis is placed on the identification of performance bottlenecks and anomalies, which are often associated with performance degradation or an increased risk of system failure. The analysis demonstrates that topological signatures can act as early warning indicators, allowing potential issues to be detected before they manifest at the application level. In parallel, the integration of the topological approach with machine learning techniques is explored, aiming at the automatic classification of operating states and more efficient resource allocation. The results indicate that topological information can significantly enhance decision-making processes in complex computing environments. The main contribution of this work lies in bridging the gap between theoretical topo-logical analysis and the practical monitoring of real-world computing systems. By systematically converting low-level performance measurements into topological representations, complex system behaviors can be interpreted in a unified and coherent manner. This approach extends beyond problem diagnosis, enabling proactive interventions and more intel-ligent resource management strategies, thereby improving the sustainability and long-term efficiency of multi-core computing platforms. | |
| dc.identifier.uri | https://hdl.handle.net/10889/31405 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 Greece | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | |
| dc.subject | Τοπολογική ανάλυση δεδομένων | |
| dc.subject | Πολυπύρηνα υπολογιστικά συστήματα | |
| dc.subject | Απόδοση συστημάτων | |
| dc.subject | Ανίχνευση ανωμαλιών | |
| dc.subject | Υπολογιστικά φορτία | |
| dc.subject | Προγνωστική ανάλυση | |
| dc.subject.alternative | Topological data analysis | |
| dc.subject.alternative | Multi-core computing systems | |
| dc.subject.alternative | System performance | |
| dc.subject.alternative | Anomaly detection | |
| dc.subject.alternative | Computational workloads | |
| dc.subject.alternative | Predictive analysis | |
| dc.title | Τοπολογική ανάλυση δεδομένων (TDA) για βελτιστοποίηση απόδοσης και αξιοπιστίας σε πολυπύρηνα υπολογιστικά συστήματα | |
| dc.title.alternative | Topological data analysis (TDA) for optimizing performance and reliability in multi-core computing systems |