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:20251126T123221Z LAST-MODIFIED:20251126T123221Z DTSTAMP:20260714T222211Z UID:1784056931@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Γεωργίου Μάριου Τσικριτζάκη - 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=8193&cHash=f7 044536d18beeb70b003bce5bb87af0\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Προπτυχιακών Σπουδών\n Π ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Γε ωργίου Μαρίου Τσικριτζάκη\n με θέμα\ n Ένας Βελτιστοποιητής για Κλιμακώσι μη Προσεγγιστική Αναγνώριση Πολύπλοκ ων Γεγονότων στο Apache Flink\n An O ptimizer for Scalable Approximate Co mplex Event Recognition over Apache Flink\n Εξεταστική Επιτροπή\n Επίκου ρος Καθηγητής Νικόλαος Γιατράκος (επ ιβλέπων)\n Καθηγητής Μίνως Γαροφαλάκ ης\n Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς\n Περίληψη\n Τα συστήματα Complex Event Processing (CEP) συχν ά αντιμετωπίζουν υπερφόρτωση όταν ο ρυθμός εισερχόμενων γεγονότων υπερβα ίνει τη διαθέσιμη υπολογιστική ισχύ ή τη μνήμη.\n Σε τέτοιες συνθήκες, τ ο backpressure και η υπερβολική αύξη ση της κατάστασης μπορούν να υποβαθμ ίσουν σοβαρά την απόδοση, οδηγώντας σε καθυστερημένα ή απαρχαιωμένα σύνθ ετα γεγονότα που ενδέχεται να χάσουν τη λειτουργική τους σημασία. Η παρο ύσα διπλωματική εργασία αντιμετωπίζε ι αυτή την πρόκληση παρουσιάζοντας έ να πιθανοτικό, ανά είδος γεγονότος π λαίσιο απόρριψης δεδομένων για CEP σ το Apache Flink. Κάθε οντότητα στη ρ οή γεγονότων διαθέτει έναν προκαθορι σμένο προϋπολογισμό (event budget), που περιορίζει τον αριθμό των γεγονό των που διατηρούνται στη μνήμη και ε ξασφαλίζει φραγμένο μέγεθος κατάστασ ης σε όλους τους τελεστές. Η προτειν όμενη προσέγγιση απορρίπτει επιλεκτι κά γεγονότα με στατιστικά ελεγχόμενο τρόπο, ώστε να σταθεροποιήσει την α πόδοση διατηρώντας παράλληλα υψηλή α κρίβεια ανίχνευσης. Οι λόγοι απόρριψ ης (shedding ratios) ανά είδος γεγον ότος και τα επίπεδα παραλληλισμού τω ν τελεστών ρυθμίζονται αυτόματα μέσω μιας διαδικασίας Bayesian Optimizat ion, η οποία αναζητά τη βέλτιστη λύσ η για κάθε συνδυασμό Selection Strat egy και Consumption Policy στο CEP. Αυτό επιτρέπει την προσαρμοστική δια χείριση της απόδοσης σε όλα τα σημασ ιολογικά μοντέλα CEP, αντί της βελτι στοποίησης για έναν μόνο τύπο ερωτήμ ατος. Πέρα από τον σχεδιασμό ενός νέ ου, ελαφρού μηχανισμού shedding, η ε ργασία εξετάζει επίσης, τη σχέση μετ αξύ απόρριψης δεδομένων και παραλληλ ισμού ως συνεργατικές στρατηγικές γι α τη διατήρηση της απόδοσης. Το προτ εινόμενο πλαίσιο αξιολογεί και τις δ ύο προσεγγίσεις υπό τις ίδιες συνθήκ ες και προσδιορίζει πότε το shedding είναι απαραίτητο, πότε ο παραλληλισ μός από μόνος του προσφέρει την ιδαν ική ισορροπία μεταξύ ρυθμού επεξεργα σίας και ακρίβειας, καθώς και πότε π ρέπει να εφαρμόζονται και τα δύο παρ άλληλα. Τέλος, η μελέτη εξετάζει τον αντίκτυπο των χρονικών σημασιών—eve nt time και ingestion time—στην Ποιό τητα Αποτελεσμάτων (QoR) και στα αντ ίστοιχα αποτελέσματα βελτιστοποίησης . Τα πειραματικά αποτελέσματα δείχνο υν ότι το προτεινόμενο πλαίσιο προσα ρμόζεται αποτελεσματικά στα χαρακτηρ ιστικά του φόρτου, επιτυγχάνοντας ισ ορροπημένη βελτίωση τόσο στον ρυθμό επεξεργασίας όσο και στην ακρίβεια γ ια κατανεμημένες CEP εφαρμογές βασισ μένες στο Flink.\n Abstract \n Compl ex Event Processing (CEP) systems of ten face overload when incoming even t rates exceed processing or memory capacity.  Under such conditions, ba ckpressure and excessive state growt h can severely degrade performance, resulting in delayed or outdated com plex events that may lose their oper ational relevance. This thesis addre sses this challenge by introducing a probabilistic, stratified load-shed ding framework for CEP on Apache Fli nk. Each entity in the stream is all ocated a fixed event budget, which l imits the number of events maintaine d in memory and ensures bounded stat e size across operators. The approac h selectively discards events in a s tatistically controlled manner to st abilize performance while preserving detection accuracy. Shedding ratios per event type and operator paralle lism levels are automatically tuned through a Bayesian Optimization proc ess, which searches for the best con figuration for each combination of C EP selection strategy and consumptio n policy. This enables adaptive perf ormance management across all CEP se mantics rather than optimizing for a single query type. Beyond proposing a new lightweight shedding mechanis m, the thesis also studies the trade -off between load shedding and opera tor parallelism as synergistic strat egies for sustaining performance. Th e framework evaluates both approache s under identical conditions and det ermines when shedding is necessary, when parallelism alone provides the optimal balance between throughput a nd accuracy or when both should be a pplied on par with one another. Fina lly, the study examines the impact o f time semantics—event time, and ing estion time—on Quality of Results (Q oR) and on the resulting optimizatio n outcomes.  The results demonstrate that the proposed framework effecti vely adapts to workload characterist ics, achieving a balanced improvemen t in throughput and accuracy for dis tributed CEP applications built on F link.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20251128T090000 DTEND:20251128T100000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR