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:20250502T091011Z LAST-MODIFIED:20250502T091011Z DTSTAMP:20260616T000139Z UID:1781557299@tuc.gr SUMMARY:Παρουσίαση Μεταπτυχιακής Εργασίας κ. Κωνσταντίνου Τσακού - 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=7658&cHash=8e 395e01180ddd7fb1eca0f22f93fb5d\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Μεταπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ\n Κωνσταντίνου Τσακού \n με θέμα\n Σχε δίαση και Αξιολόγηση Στρατηγικών Τοπ οθέτησης Μικροϋπηρεσιών σε Υποδομές Νέφους\n Design and Evaluation of Mi croservice Placement Strategies in C loud Infrastructures\n Εξεταστική Επ ιτροπή\n Καθηγητής Ευριπίδης Πετράκη ς (επιβλέπων)\n Καθηγητής Αντώνιος Δ εληγιαννάκης\n Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς\n Περίληψη\n Ο σχεδιασμός και η αξιολόγηση στρατηγι κών τοποθέτησης μικρο-υπηρεσιών(micr oservices) σε cloud υποδομές είναι κ ρίσιμα για τη βελτιστοποίηση της χρή σης των πόρων, τη μείωση των λειτουρ γικών εξόδων και τη διασφάλιση υψηλή ς απόδοσης. Αυτή η διατριβή εξετάζει το πρόβλημα της τοποθέτησης Υπηρεσι ών σε Cloud περιβάλλοντα, με στόχο τ η βελτίωση της κατανομής των πόρων κ αι την ελαχιστοποίηση της εξαγόμενης κίνησης (egress traffic). Η τοποθέτ ηση Υπηρεσιών μοντελοποιείται ως ένα πρόβλημα ομαδοποίησης κόμβων ενός γ ράφου, και διερευνόνται διάφοροι αλγ όριθμοι ομαδοποίησης—συγκεκριμένα οι Affinity Propagation, Maximum Stand ard Deviation Reduction (MSDR) και M arkov Clustering—τόσο μεμονωμένα όσο και σε συνδυασμό  με μια στρατηγική τοποθέτησης ονόματι  Heuristic Pack ing ένα είδος Bin Packing αλγορίθμου , για την ανάπτυξη αποδοτικών λύσεων τοποθέτησης υπηρεσιών.\n Η μελέτη β ασίζεται σε δύο εφαρμογές αναφοράς β ασισμένων σε  microservices, το iXen (πρωτότυπο IoT) και το Online Bouti que (πλατφόρμα ηλεκτρονικού εμπορίου ), οι οποίες έχουν αναπτυχθεί σε Kub ernetes clusters στο  Google Cloud. Μέσω φόρτισης του συστήματος (load s tressing), αξιολογούνται κριτήρια όπ ως η απόδοση των διαφορετικών στρατη γικών τοποθέτησης ως προς τη χρήση τ ων κόμβων, τη μείωση της εξαγόμενης κίνησης, το χρόνο εκτέλεσής τους στη ν λήψη απόφασης και η οικονομική απο δοτικότητα. Τα αποτελέσματά δείχνουν ότι ο Affinity Propagation αλγόριθμ ος σε συνδυασμό με  Heuristic Packin g και ο Maximum Standard Deviation R eduction σε συνδυασμό με Heuristic P acking ξεπερνούν σταθερά άλλες στρατ ηγικές, προσφέροντας χαμηλή χρήση πό ρων, μειωμένη εξαγόμενη κίνηση και ε λάχιστα κόστη συνολικά.\n Τα ευρήματ α υποδεικνύουν ότι, ενώ ο Affinity P ropagation προσφέρει ταχεία εκτέλεση , καθιστώντας τον κατάλληλο για δυνα μικά περιβάλλοντα, ο MSDR προσφέρει ανώτερη βελτιστοποίηση μακροπρόθεσμα εις βάρος του χρόνου εκτέλεσης. Αυτ ές οι στρατηγικές συνιστώνται για εφ αρμογές με υψηλή επικοινωνία μεταξύ των υπηρεσιών και μεταβαλλόμενα φορτ ία κίνησης. Αυτή η εργασία συνεισφέρ ει στον τομέα προσφέροντας γνώση σχε τικά με την εφαρμογή αλγορίθμων ομαδ οποίησης για την τοποθέτηση microser vices και προτείνει μελλοντικές κατε υθύνσεις για την ενσωμάτωση τεχνητής νοημοσύνης και προσαρμοστικών στρατ ηγικών, με στόχο την περαιτέρω βελτι στοποίηση της τοποθέτησης υπηρεσιών σε cloud υποδομές.\n Abstract\n The design and evaluation of microservic e placement strategies in cloud infr astructures is crucial for optimizin g resource utilization, reducing ope rational costs, and ensuring high pe rformance. This thesis explores the Service Placement problem on cloud e nvironments, with a focus on improvi ng resource allocation and minimizin g egress traffic. Service Placement is modeled as a graph clustering pro blem, and various clustering algorit hms are investigated—specifically Af finity Propagation, Maximum Standard Deviation Reduction (MSDR), and Mar kov Clustering—and are combined also with a placement strategy called He uristic Packing to develop efficient service placement solutions.\n The study is based on two benchmark micr oservice applications, iXen (IoT pro totype) and Online Boutique (e-comme rce platform), deployed on Kubernete s clusters in a Google Cloud environ ment. Through load stressing, criter ia like the performance of different placement strategies in terms of no de utilization, egress traffic reduc tion, execution time, and cost effic iency are evaluated. The results sho w that Affinity Propagation with Heu ristic Packing and Maximum Standard Deviation Reduction with Heuristic P acking consistently outperform other strategies, offering low resource u tilization, reduced egress traffic, and minimal costs in total.\n The fi ndings suggest that while Affinity P ropagation provides fast execution, making it suitable for dynamic envir onments, MSDR offers superior long-t erm optimization at the expense of e xecution time. These strategies are recommended for applications with hi gh inter-service communication and v arying traffic loads. This work cont ributes to the field by providing in sights into the application of clust ering algorithms for microservice pl acement and suggests future directio ns for integrating machine learning and adaptive strategies to further o ptimize service deployment in cloud- based systems.\n Meeting ID: 613 764 0471\n Password: 582678\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20250506T140000 DTEND:20250506T150000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR