Συντάχθηκε 09-07-2026 13:38
Ενημερώθηκε:
09-07-2026 13:48
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 10/07/2026 12:30
Λήξη: 10/07/2026 13:30
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Ιωάννη Γιαννουράκη
με θέμα
Ανάλυση Ριζικών Αιτιών Εφαρμοσμένη σε Ένα Πανεπιστημιακό Δίκτυο Αξιοποιώντας Μοντέρνες Μεθόδους Μηχανικής Μάθησης
Root Cause Analysis Performed on a Campus Network using Modern Machine Learning Methods
Εξεταστική Επιτροπή
Καθηγητής Θρασύβουλος Σπυρόπουλος (επιβλέπων)
Καθηγητής Μιχαήλ Γ. Λαγουδάκης
Δρ Ιωάννης Πευκιανάκης (Staff Wireless Architect, Apple)
Περίληψη
Η διάγνωση προβλημάτων απόδοσης σε εταιρικά ασύρματα δίκτυα IEEE 802.11 απαιτεί βαθιά εξειδίκευση στο αντικείμενο, ώστε να είναι δυνατή η ερμηνεία πυκνών και πολυδιάστατων αρχείων καταγραφής συστήματος. Παρότι συστήματα ελέγχου που τρέχουν το Aruba OS 8, όπως αυτό που χρησιμοποιείται στο δίκτυο της πανεπιστημιούπολής μας, παρέχουν πληθώρα δεδομένων δικτύου, ο τεράστιος όγκος και η πολυπλοκότητα αυτών των syslogs καθιστούν τη χειροκίνητη Ανάλυση Βασικών Αιτιών (Root Cause Analysis – RCA) ιδιαίτερα αναποτελεσματική και επιρρεπή σε σφάλματα. Η παρούσα διπλωματική εργασία εισάγει ένα έξυπνο πλαίσιο βασισμένο σε διάφορες πηγές δεδομένων, για την αυτοματοποίηση της διάγνωσης προβλημάτων δικτύων, αξιοποιώντας προσαρμοσμένη πληροφορία και γλωσσικά μοντέλα με δυνατότητες συλλογισμού.
Για την ακριβή αποτύπωση της δυναμικής αλληλεπίδρασης μεταξύ των χρηστών και του δικτύου, αναπτύχθηκε μια προσαρμοσμένη εφαρμογή διακομιστή-πελάτη για την παρακολούθηση της απόδοσης. Η πληροφορία στο επίπεδο του χρήστη εξήχθη σε πραγματικό χρόνο και συσχετίστηκε αυστηρά ως χρονοσειρά με συγκεντρωτικά αρχεία συστήματος του Aruba OS 8. Η σύνθεση αυτή οδήγησε στη δημιουργία ενός νέου, εξειδικευμένου συνόλου δεδομένων (dataset) αντιμετώπισης προβλημάτων, ειδικά σχεδιασμένου για την καταγραφή και την αξιολόγηση σύνθετων σεναρίων βλάβης σε δίκτυα Wi-Fi. Στη συνέχεια, το εξειδικευμένο αυτό σύνολο δεδομένων χρησιμοποιήθηκε για τη διερεύνηση και την αξιολόγηση μιας αυτοματοποιημένης διαγνωστικής μεθοδολογίας, βασισμένης σε εκπαίδευση δύο σταδίων. Αρχικά, η μεθοδολογία αξιοποιεί ένα πολυπρακτορικό σύστημα για επιβλεπόμενη λεπτομερή προσαρμογή γλωσσικών μοντέλων (Supervised Fine-Tuning – SFT), ενσωματώνοντας γνώση του αντικειμένου στο μοντέλο μέσω της παραγωγής δομημένων, βήμα προς βήμα διαδρομών συλλογισμού αλυσίδας σκέψης (Chain-of-Thought – CoT). Στη συνέχεια, εφαρμόζεται ενισχυτική μάθηση μέσω της μεθόδου Group Relative Policy Optimization (GRPO), με σκοπό την περαιτέρω βελτίωση της διαγνωστικής ακρίβειας του μοντέλου. Μέσω της επιτυχούς αντιστοίχισης σύνθετων καταστάσεων του δικτύου σε σαφώς προσδιορισμένες βασικές αιτίες και της παραγωγής κατανοητών από τον άνθρωπο, πολυβηματικών διαγνωστικών επεξηγήσεων, η παρούσα διπλωματική εργασία επιβεβαιώνει την αποτελεσματικότητα της αξιοποίησης λεπτομερώς προσαρμοσμένων γλωσσικών μοντέλων μικρού μεγέθους. Τελικά, η προσέγγιση αυτή γεφυρώνει το χάσμα μεταξύ της ακατέργαστης, πυκνά δομημένης πληροφορίας του συστήματος και των αξιοποιήσιμων συμπερασμάτων, ενισχύοντας σημαντικά την ερμηνευσιμότητα και τη λειτουργική διαχείριση εταιρικών ασύρματων περιβαλλόντων.
Abstract
Diagnosing performance anomalies in enterprise IEEE 802.11 wireless networks requires deep domain expertise to parse dense, high-dimensional system logs. While controllers running Aruba OS 8, like the one used in our campus network, provide extensive telemetry, the sheer volume and complexity of these syslogs make manual Root Cause Analysis (RCA) highly inefficient and prone to error. This thesis introduces a data-driven, intelligent framework to automate network diagnostics by leveraging customized telemetry and reasoning-capable language models.
To accurately capture the dynamic interaction between clients and the network, a custom performance monitoring server-client application was developed. Real-time user plane telemetry was extracted and strictly time-series correlated with aggregated Aruba OS 8 syslogs. This synthesis resulted in a novel, curated troubleshooting dataset specifically designed to capture and benchmark complex Wi-Fi fault scenarios. This curated dataset was subsequently utilized to explore and evaluate an automated diagnostic pipeline based on a two-stage training methodology. Initially, the pipeline employs a multi-agent system for supervised fine-tuning (SFT), embedding domain knowledge into the model by generating structured, step-by-step chain-of-thought (CoT) reasoning trajectories. Following this, reinforcement learning via group relative policy optimization (GRPO) is applied to further refine the model's diagnostic accuracy. By successfully mapping intricate network states to definitive root causes and generating human-readable, multi-step diagnostic explanations, this thesis demonstrates the efficacy of deploying fine-tuned, small-sized language models. Ultimately, this approach bridges the gap between raw, densely packed system telemetry and actionable insights, significantly enhancing the interpretability and operational management of enterprise wireless environments.
