CEID Seminar & Social Hour – Efficient Big Data Management Techniques in the context of Large-Scale IoT Systems 02.08.2024
Τίτλος: “Efficient Big Data Management Techniques in the context of Large-Scale IoT Systems”
Ομιλητής: Αριστείδης Καρράς, Υποψήφιος Διδάκτορας, ΤΜΗΥΠ, ΠΠ
Ημερομηνία-χώρος: Παρασκευή 2 Αυγούστου, 3-5μμ, ΤΜΗΥΠ, αίθουσα Δ1
Περίληψη:
Στον κόσμο του Διαδικτύου των Πραγμάτων (IoT), τα διασυνδεδεμένα συστήματα, οι αισθητήρες και οι συσκευές παράγουν συνεχώς δεδομένα, δημιουργώντας σημαντικές προκλήσεις στην αποδοτική συλλογή, επεξεργασία και ασφαλή αποθήκευση αυτών των πληροφοριών. Η παρούσα διατριβή εστιάζει στην ανάπτυξη αποδοτικών λύσεων που ανταποκρίνονται στις απαιτήσεις των δεδομένων μεγάλου όγκου στο πλαίσιο των συστημάτων IoT, ενισχύοντας την απόδοση, την ασφάλεια και την κλιμακωσιμότητα. Αναπτύχθηκαν τεχνικές για τη βελτιστοποίηση ερωτημάτων σε συστήματα δεδομένων μεγάλου όγκου βελτιώνοντας σημαντικά την αποδοτικότητα των διαδικασιών ανάκτησης δεδομένων μέσω της μείωσης του χρόνου επεξεργασίας και της κατανάλωσης πόρων. Οι στρατηγικές προσωρινής αποθήκευσης που παρουσιάζονται βασίζονται σε βαθιά ενισχυτική μάθηση (DRL), εξασφαλίζοντας τη ποιότητα των δεδομένων ενώ βελτιστοποιούν την κατανάλωση ενέργειας, κάτι που είναι μείζονος σημασίας για τη δυναμική φύση των δεδομένων IoT. Αποδείχθηκε επίσης, η δυνατότητα ομοσπονδιακής μάθησης σε συσκευές IoT με περιορισμένους πόρους, διατηρώντας την ιδιωτικότητα των δεδομένων, επιτρέποντας τη κατανεμημένη μάθηση σε πολλαπλές συσκευές. Μια άλλη κατεύθυνση της μελέτης είναι η κατηγοριοποίηση δεδομένων υψηλής διαστατικότητας σε συστήματα IoT, που αποτελεί σημαντικό μέρος της έρευνας, με αποδοτικές τεχνικές που βελτιώνουν τις διαδικασίες ανάλυσης και λήψης αποφάσεων. Επιπροςθέτως, η ενσωμάτωση τεχνολογιών TinyML και LoRa σε συστήματα IoT μεγάλης κλίμακας, παρουσίασε σημαντικές βελτιώσεις στην ενεργειακή αποδοτικότητα και την ταχύτητα επεξεργασίας δεδομένων, ωφελώντας ιδιαίτερα την βιώσιμη και αποδοτική έξυπνη γεωργία. Επιπλέον, αναπτύχθηκε η διεπαφή SparkReact για την βιβλιοθήκη MLlib του Apache Spark, απλοποιώντας τη χρήση της βιβλιοθηκής μέσω ενός οπτικού περιβάλλοντος για δημιουργία ML αλγορίθμων. Συμπερασματικά, η μελέτη συνολικά εξετάζει συστηματικά διάφορες καινοτόμες τεχνικές και στρατηγικές για τη βελτίωση της αποδοτικότητας και της αποτελεσματικότητας της διαχείρισης δεδομένων μεγάλου όγκου σε συστήματα IoT. Αντιμετωπίζοντας τις προκλήσεις που παρουσιάζουν οι εφαρμογές και τα συστήματα IoT μεγάλης κλίμακας, όπως η επεξεργασία δεδομένων πραγματικού χρόνου, η βελτιστοποίηση κλιμακωσιμότητας και απόδοσης, η ιδιωτικότητα των δεδομένων, οι ενεργειακοί περιορισμοί και η διαχείριση δεδομένων υψηλής διαστατικότητας, η διατριβή παρέχει σημαντικά ευρήματα στον τομέα του IoT και των Big Data.
Σχετικά με τον ομιλητή:
Ο Αριστείδης Καρράς είναι υποψήφιος διδάκτορας υπό την επίβλεψη του καθηγητή κ. Σπυρίδων Σιούτα. Έλαβε το πτυχίο Πληροφορικής από το Τμήμα Πληροφορικής του Ιονίου Πανεπιστημίου και το μεταπτυχιακό στην Επιστήμη και Τεχνολογία Υπολογιστών από το τμήμα Μηχανικών Η/Υ και Πληροφορικής του Πανεπιστημίου Πατρών. Τα ερευνητικά του ενδιαφέροντα περιλαμβάνουν τα ευρύτερα επιστημονικά πεδία της Διαχείρισης Μεγάλου όγκου Δεδομένων, της Μηχανικής Μάθησης και του Διαδικτύου των Πραγμάτων (IoT).
