Αξιοποίηση της τοπολογικής ανάλυσης δεδομένων (ΤΑΔ) για τη βελτίωση της απόδοσης δικτύων ΙοΤ και τη βελτιστοποίηση ροών δεδομένων
| datacite.contributor.RelatedPerson | Μακρής, Χρήστος | |
| datacite.contributor.RelatedPerson | Σιούτας, Σπύρος | |
| datacite.contributor.Supervisor | Ανδρικόπουλος, Αθανάσιος | |
| dc.contributor.author | Γιαννόπουλος, Παναγιώτης | |
| dc.contributor.other | Giannopoulos, Panagiotis | |
| dc.date.accessioned | 2026-04-15T05:09:47Z | |
| dc.date.available | 2026-04-15T05:09:47Z | |
| dc.date.issued | 2026-02-21 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Η παρούσα διπλωματική εργασία μελετά πώς η Τοπολογική Ανάλυση Δεδομένων μπορεί να αξιοποιηθεί για τη βελτίωση της απόδοσης δικτύων IoT και τη βελτιστοποίηση των ροών δεδομένων τους συνδυάζοντας θεωρητική ανάλυση, μελέτη βιβλιογραφίας και πρακτικές εφαρμογές. Αρχικά παρουσιάζεται το πλαίσιο της Βιομηχανίας 4.0, ο ρόλος των συστημάτων IoT και οι προκλήσεις προγνωστικής συντήρησης και αυτοματισμού, με έμφαση στις δυσκολίες διαχείρισης μεγάλου όγκου δεδομένων αισθητήρων, στην ανίχνευση ανωμαλιών και στην ανάγκη για ευέλικτα, ανθεκτικά δίκτυα. Στη συνέχεια εισάγονται τα βασικά εργαλεία της ΤΑΔ όπως μετρικοί χώροι, απλοειδή συμπλέγματα τύπου Vietoris–Rips, επίμονη ομολογία και αριθμοί Betti, καθώς και η στατιστική ΤΑΔ, η οποία επιτρέπει τη διάκριση ουσιαστικών τοπολογικών χαρακτηριστικών από θόρυβο. Πάνω σε αυτή τη βάση αναλύεται πώς η ΤΑΔ εφαρμόζεται σε δίκτυα IoT για χαρτογράφηση της τοπολογίας, ανίχνευση περιοχών υπερφόρτωσης, βρόχων και αδύναμων σημείων, καθώς και για βελτιστοποίηση ροών δεδομένων. Κεντρικό μέρος της εργασίας αποτελεί η παρουσίαση μιας μεθόδου παθητικού δακτυλικού αποτυπώματος συσκευών IoT με κρυπτογραφημένη κίνηση όπου η πληροφορία του χρόνου άφιξης πακέτων οργανώνεται σε παράθυρα, πάνω στα οποία κατασκευάζεται μια κλίκα, υπολογίζεται η 1-διάστατη επίμονη ομολογία και τα διαγράμματα επιμονής μετατρέπονται σε εικόνες επιμονής που τροφοδοτούν ένα συνελικτικό νευρωνικό δίκτυο για ανίχνευση ανωμαλιών. Τα πειραματικά αποτελέσματα σε πραγματικά δεδομένα IoT δείχνουν ότι η προσέγγιση αυτή μπορεί να συλλάβει αποτελεσματικά τη χρονική δομή της κίνησης και να διακρίνει συσκευές και μοτίβα συμπεριφοράς. Παρουσιάζονται μελλοντικές κατευθύνσεις, όπως ο συνδυασμός ΤΑΔ με μηχανική μάθηση και γραφικά νευρωνικά δίκτυα, η ενσωμάτωση σε 5G/6G και edge περιβάλλοντα κ.λπ. Τέλος συγκρίνονται οι μέθοδοι ΤΑΔ με παραδοσιακές τεχνικές ανάλυσης σε σενάρια κυβερνοασφάλειας, ανίχνευσης ανωμαλιών και ανάλυσης big data αναδεικνύοντας ότι η ΤΑΔ προσφέρει καλύτερη διαχείριση μη γραμμικών μοτίβων, μεγαλύτερη ανθεκτικότητα στο θόρυβο και πιο πλούσια χαρακτηριστικά για τη δομή των δικτύων IoT καθιστώντας την ένα υποσχόμενο εργαλείο για τον σχεδιασμό των επόμενων έξυπνων δικτύων. | |
| dc.description.translatedabstract | This thesis investigates how Topological Data Analysis (TDA) can be used to improve the performance of IoT networks and to optimize their data flows, combining theoretical analysis, literature review, and practical applications. It first presents the Industry 4.0 context, the role of IoT systems, and the challenges of predictive maintenance and automation, with an emphasis on the difficulties of handling large volumes of sensor data, on anomaly detection, and on the need for flexible, robust networks. It then introduces the basic tools of TDA, such as metric spaces, Vietoris–Rips simplicial complexes, persistent homology, and Betti numbers, as well as statistical TDA, which makes it possible to distinguish essential topological features from noise. Building on this foundation, it analyzes how TDA is applied to IoT networks for topology mapping, detection of congestion hotspots, loops and weak points, as well as for the optimization of data flows and energy consumption. The core practical part of the thesis is the presentation of a passive fingerprinting method for IoT devices under encrypted traffic, where inter-packet arrival time information is organized into windows, on which a clique complex is constructed, the 1-dimensional persistent homology is computed, and the resulting persistence diagrams are transformed into persistence images that feed a convolutional neural network for device classification and anomaly detection. Experimental results on a real IoT dataset show that this approach can effectively capture the temporal structure of the traffic and distinguish devices and behavioral patterns even when packet payloads are encrypted. In parallel, the thesis presents recent developments and future directions, such as the combination of TDA with machine learning and graph neural networks, deployment in 5G/6G and edge environments, applications to smart cities, healthcare, and industrial IoT, as well as issues of scalability, computational cost, and privacy protection. Finally, TDA-based methods are compared with traditional analysis techniques in cybersecurity, anomaly detection, and big data analytics scenarios, highlighting that TDA offers better handling of nonlinear patterns, greater robustness to noise, and richer descriptive features for the structure and dynamics of IoT networks, making it a highly promising tool for designing the next generations of smart networks. | |
| dc.identifier.uri | https://hdl.handle.net/10889/31753 | |
| 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 | Επίμονη ομολογία | |
| dc.subject | Σύμπλοκα Vietoris–Rips | |
| dc.subject | Αριθμοί Betti | |
| dc.subject | Δίκτυα IoT | |
| dc.subject | Προσομοίωση κίνησης δικτύου | |
| dc.subject | Παθητικό δακτυλικό αποτύπωμα συσκευών | |
| dc.subject | Κρυπτογραφημένη κίνηση | |
| dc.subject | Ανίχνευση ανωμαλιών | |
| dc.subject | Συνελικτικά νευρωνικά δίκτυα | |
| dc.subject.alternative | Topological data analysis (TDA) | |
| dc.subject.alternative | Persistent homology | |
| dc.subject.alternative | Vietoris–Rips complexes | |
| dc.subject.alternative | Betti numbers | |
| dc.subject.alternative | IoT networks | |
| dc.subject.alternative | Network traffic simulation | |
| dc.subject.alternative | Passive device fingerprinting | |
| dc.subject.alternative | Encrypted traffic | |
| dc.subject.alternative | Anomaly detection | |
| dc.subject.alternative | Convolutional neural networks (CNNs) | |
| dc.title | Αξιοποίηση της τοπολογικής ανάλυσης δεδομένων (ΤΑΔ) για τη βελτίωση της απόδοσης δικτύων ΙοΤ και τη βελτιστοποίηση ροών δεδομένων | |
| dc.title.alternative | Utilizing topological data analysis (TDA) for enhancing IoT network performance and optimizing data flows |
Files
Original bundle
1 - 1 of 1
Loading...
- Name:
- ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ - ΓΙΑΝΝΟΠΟΥΛΟΣ ΠΑΝΑΓΙΩΤΗΣ - 1093343.pdf
- Size:
- 2 MB
- Format:
- Adobe Portable Document Format
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 5.02 KB
- Format:
- Item-specific license agreed upon to submission
- Description: