BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20240717T111325Z LAST-MODIFIED:20240717T111325Z DTSTAMP:20260614T162727Z UID:1781443647@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Παναγιώτη Σκλάβου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.tuc.gr/el/to-polytechnei o/ilektronikes-ypiresies/imerologio/ imerologio-ekdiloseon-1?tx_tucevents 2_tuceventsdisplay%5Baction%5D=show& tx_tucevents2_tuceventsdisplay%5Bcon troller%5D=Event&tx_tucevents2_tucev entsdisplay%5Bevent%5D=7126&cHash=8e 4684620d2c6b646760b87568903659\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Προπτυχιακών Σπουδών\n Π ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Πα ναγιώτη Σκλάβου\n με θέμα\n Ομοσπονδ ιακή Μάθηση σε Flower και NS3 Ενσωμα τώνοντας τη Γεωμετρική Προσέγγιση γι α Αποδοτικό Συγχρονισμό\n Federated Learning at Flower and NS3 Integrati ng the Geometric Approach for Effici ent Synchronization \n Εξεταστική Επ ιτροπή\n Καθηγητής Αντώνιος Δεληγιαν νάκης (επιβλέπων)\n Αναπληρωτής  Καθ ηγητής Βασίλειος Σαμολαδάς\n Επίκουρ ος Καθηγητής Νικόλαος Γιατράκος  \n Περίληψη\n Η ταχεία εξέλιξη του υπολ ογιστικού περιβάλλοντος αιχµής (edge computing) και του ∆ιαδικτύου των Π ραγµάτων (IoT) έχει οδηγήσει σε εκθε τική αύξηση του παραγώµενου όγκου δε δοµένων, επισηµαίνοντας την ανάγκη γ ια µεθόδους αποκεντρωµένης µηχανικής µάθησης που διασφαλίζουν ιδιωτικότη τα και απόδοση. Η παρούσα διπλωµατικ ή εργασία ανταποκρίνεται σε αυτές τι ς ανάγκες, εφαρμόζοντας Οµοσπονδιακή Μάθηση (FL) υπό ϱεαλιστικές δικτυακ ές συνθήκες, συνδυάζοντας το πλαίσιο Flower µε τον προσωµοιωτή δικτύου N S3 και ενσωματώνοντας τη Γεωµετρική Μέθοδο για ϐελτιωµένο συγχρονισµό κα ι επιδόσεις. Η προσέγγισή µας περιλα µβάνει πολλαπλά ϐασικά ϐήµατα. Αρχικ ά, αναπτύχθηκε ένας ορχηστρωτής Οµοσ πονδιακής Μάθησης χρησιµοποιώντας το πλαίσιο Flower για τη δηµιουργία εν ός κατανεµηµένου δικτύου µε έναν κεν τρικό διακοµιστή και πολλαπλούς πελά τες συνδεδεµένους σε τοπολογία αστέρ α. Για τη ϐελτιστοποίηση των ενηµερώ σεων των νευρωνικών δικτύων και τον περιορισµό των επικοινωνιακών εξόδων , εφαρµόστηκε µια µέθοδος συγχρονισµ ού ϐασισµένη στη γεωµετρική παρακολο ύθηση, γνωστή ως Functional Dynamic Averaging (FDA). Επιπλέον, χρησιµοπο ιήθηκε ο προσοµοιωτής δικτύου NS3 γι α την εξοµείωαη ϱεαλιστικών συνθηκών δικτύου και εφαρµόστηκε ένα πρωτόκο λλο ∆ιαδιεργασιακής Επικοινωνίας (IP C) µε χρήση Unix Sockets για την απρ όσκοπτη αλληλεπίδραση µεταξύ του πλα ισίου Οµοσπονδιακής Μάθησης και του προσοµοιωτή δικτύου. Το ολοκληρωµένο πλαίσιο Οµοσπονδιακής Μάθησης που υ λοποιήθηκε παρουσιάζει ανθεκτικότητα και αποτελεσµατικό συγχρονισµό σε π οικιλόµορφες εξοµοιωµένες συνθήκες δ ικτύου. Η Γεωµετρική προσέγγιση που εφαρµόζεται από τον αλγόριθµο FDA εξ ισορροπεί αποτελεσµατικά τον λόγο υπ ολογισµού προς το επικοινωνιακό κόστ ος, διατηρώντας υψηλά επίπεδα ακρίβε ιας. Εξονυχιστικές δοκιµές σε ποικίλ α σύνολα δεδοµένων, τεχνητά νευρωνικ ά δίκτυα (ΑΝΝ), συνθήκες δικτύου και κατανοµές δεδοµένων (δεδοµένα ανεξά ρτητα και οµοιόµορφα κατανεµηµένα κα ι µη) αποκαλύπτουν σηµαντικές ϐελτιώ σεις στην αποδοτικότητα επικοινωνίας και την ακρίβεια του µοντέλου σε σύ γκριση µε έναν ϐασικό κατανεµηµένο α λγόριθµο. Συµπερασµατικά, αυτή η έρε υνα παρουσιάζει ένα καινοτόµο και απ οδοτικό πλαίσιο Οµοσπονδιακής Μάθηση ς που γεφυρώνει τα υπάρχοντα κενά σε υποδοµές ανάπτυξης και προσωµοίωσης , εξασφαλίζοντας ανθεκτική απόδοση κ αι αποτελεσµατικό συγχρονισµό σε πρα γµατικές ϱεαλιστικές συνθήκες δικτύο υ.\n Abstract \n The rapid advanceme nt of edge computing and the Interne t of Things (IoT) has led to an expo nential increase in data generation, underscoring the need for privacy-p reserving and efficient decentralize d machine learning methods. This the sis addresses these needs by impleme nting Federated Learning (FL) under realistic network conditions, integr ating the Flower Framework with the NS3 network simulator, and employing the Geometric Method (GM) for enhan ced synchronization and performance. Our approach involves several key s teps. Initially, a Federated Learnin g orchestrator is developed using th e Flower framework to establish a di stributed network with a central ser ver and multiple clients connected i n a star topology. To optimize model updates and minimize communication costs, a synchronization method base d on geometric monitoring, known as Functional Dynamic Averaging (FDA), is implemented. Additionally, the NS 3 network simulator is used to emula te realistic network conditions, and a socket-based Inter-Process Commun ication (IPC) protocol is employed t o ensure seamless interaction betwee n the federated learning framework a nd the network simulator. Our integr ated FL framework demonstrates robus tness and effective synchronization across various simulated network con ditions. The Geometric Monitoring ap proach of FDA efficiently balances t he computation-to-communication rati o while maintaining high accuracy le vels. Thorough testing across divers e datasets, artificial neural networ ks (ANNs), networking conditions, an d data distributions (IID and non-II D) reveals significant improvements in communication efficiency and mode l accuracy compared to a baseline di stributed algorithm. In conclusion, this research presents a novel and e ffective Federated Learning framewor k that bridges existing infrastructu re gaps, ensuring robust performance and efficient synchronization in re al-world network environments.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20240719T090000 DTEND:20240719T100000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR