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:20260429T094852Z
LAST-MODIFIED:20260429T094852Z
DTSTAMP:20260514T135620Z
UID:1778756180@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. 
 Ανδρέα Λοπάτα - 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=8386&cHash=87
 5efdcb512acbd86f29777da922ecfc\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων 
 Μηχανικών και Μηχανικών Υπολογιστών\
 n Πρόγραμμα Προπτυχιακών Σπουδών\n Π
 ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Αν
 δρέα Λοπάτα\n με θέμα\n Αλγόριθμοι Ο
 μαδοποίησης για την Βέλτιστη Τοποθέτ
 ηση Μικροϋπηρεσιών στο Kubernetes \n
  Clustering Algorithms for Optimal M
 icroservices Scheduling in Kubernete
 s\n Εξεταστική Επιτροπή\n Καθηγητής 
 Ευριπίδης Πετράκης (επιβλέπων)\n Καθ
 ηγητής Γεώργιος Χαλκιαδάκης\n Αναπλη
 ρωτής Καθηγητής Βασίλειος Σαμολαδάς\
 n Περίληψη\n Η ευρεία υιοθέτηση της 
 αρχιτεκτονικής μικροϋπηρεσιών στις σ
 ύγχρονες εφαρμογές έχει οδηγήσει σε 
 σημαντικές προκλήσεις όσον αφορά τη 
 διαχείριση και την ενορχήστρωση αυτώ
 ν των υπηρεσιών. Το Kubernetes, ένα 
 εργαλείο για την ενορχήστρωση contai
 nerized εφαρμογών, έχει καταστεί μια
  δημοφιλής επιλογή για τη διαχείριση
  μικροϋπηρεσιών. Ένα Kubernetes clus
 ter αποτελείται από Nodes (VMs) που 
 μπορούν να περιέχουν ένα ή περισσότε
 ρα pods. Κάθε pod μπορεί να περιέχει
  μία ή περισσότερες μικροϋπηρεσίες.\
 n Για την τοποθέτηση αυτών των pods 
 στα Nodes, το Kubernetes χρησιμοποιε
 ί έναν default scheduler που λαμβάνε
 ι αποφάσεις με βάση τα αιτήματα και 
 τα όρια πόρων. Αυτή η default στρατη
 γική τοποθέτησης είναι στατική και δ
 εν λαμβάνει υπόψη τις αλλαγές στο wo
 rkload, γεγονός που μπορεί να οδηγήσ
 ει σε μη βέλτιστες τοποθετήσεις. Πολ
 λές στρατηγικές τοποθέτησης έχουν πρ
 οταθεί για τη βελτιστοποίηση της τοπ
 οθέτησης των pods στο cluster, ωστόσ
 ο οι περισσότερες είναι στατικές και
  δεν προσαρμόζονται στις μεταβολές τ
 ου workload, οδηγώντας σε λύσεις που
  ενδέχεται να μην είναι βέλτιστες.\n
  Στην παρούσα εργασία προτείνουμε μι
 α δυναμική στρατηγική τοποθέτησης πο
 υ χρησιμοποιεί έναν incremental dens
 ity-based clustering algorithm, προκ
 ειμένου να ενημερώνει δυναμικά την τ
 οποθέτηση των μικροϋπηρεσιών σε απόκ
 ριση στις αλλαγές του workload.\n Γι
 α την αξιολόγηση της απόδοσης της πρ
 οτεινόμενης adaptive στρατηγικής, τη
  συγκρίνουμε με μια στατική στρατηγι
 κή τοποθέτησης που χρησιμοποιεί τον 
 ίδιο density-based clustering algori
 thm, αλλά χωρίς προσαρμογή στις μετα
 βολές του workload. Χρησιμοποιούνται
  δύο benchmark εφαρμογές, το Google 
 Online Boutique (eShop) και το iXen,
  οι οποίες αναπτύσσονται σε ένα πραγ
 ματικό Kubernetes cluster στο GCP.\n
  Τα πειραματικά αποτελέσματα δείχνου
 ν ότι η δυναμική προσέγγιση μειώνει 
 σημαντικά το εξερχόμενο traffic και 
 βελτιώνει τον χρόνο απόκρισης σε σύγ
 κριση με τη στατική προσέγγιση. Επιπ
 λέον, η δυναμική μέθοδος τοποθέτησης
  επιτυγχάνει χαμηλότερο χρόνο εκτέλε
 σης και μειωμένη χρήση CPU, οδηγώντα
 ς σε μικρότερο υπολογιστικό κόστος σ
 ε σχέση με την επανεκτέλεση της στατ
 ικής μεθόδου, καθιστώντας την κατάλλ
 ηλη για real-time δυναμική τοποθέτησ
 η μικροϋπηρεσιών.\n Abstract \n The 
 widespread adoption of microservices
 -based architecture in modern applic
 ations has led to significant challe
 nges in managing and orchestrating t
 hese services effectively. Kubernete
 s, a tool for orchestrating containe
 rized applications, has become a pop
 ular choice for managing microservic
 es. A Kubernetes cluster consists of
  Nodes(VMs) that can host one or mor
 e pods. Each pod can contain one or 
 more microservices.\n To allocate th
 ese pods on the Nodes, Kubernetes us
 es a default scheduler that makes pl
 acement decisions based on resource 
 requests and limits. This default pl
 acement strategy is a static one and
  does not take into account the work
 load changes so it can lead to subop
 timal placements. Many placement str
 ategies have been proposed to optimi
 ze the placement of the pods in the 
 cluster, but most of them are static
  and do not adapt to changing worklo
 ads leading to placements that may n
 ot be optimal.\n In our work we prop
 ose an adaptive placement strategy t
 hat uses an incremental density-base
 d clustering algorithm to update the
  placement of microservices in respo
 nse to workload changes.\n To evalua
 te the performance of our adaptive p
 lacement strategy, we compare it wit
 h a static placement strategy that u
 ses the same clustering density-base
 d algorithm but does not adapt to wo
 rkload changes. Two benchmarks appli
 cations are used, Google’s Online Bo
 utique eShop and iXen, which are dep
 loyed on a real Kubernetes cluster i
 n GCP. Experimental results demonstr
 ate that the adaptive clustering app
 roach significantly reduces egress t
 raffic and improves response time co
 mpared to the static approach. Furth
 ermore, the adaptive placement metho
 d achieves lower execution time and 
 CPU utilization leading to lower ove
 rhead cost, compared to rerunning th
 e static placement method, making it
  suitable for real-time adaptive mic
 roservice placement.\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20260512T100000
DTEND:20260512T110000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR