Ανάλυση μεγάλων δεδομένων διαδικτύου-των-αντικειμένων με αλγόριθμους ανίχνευσης κοινοτήτων σε δίκτυα υπερβολικών χώρων

Τσιτσεκλής, Κωνσταντίνος; Tsitseklis, Konstantinos

dc.contributor.author	Τσιτσεκλής, Κωνσταντίνος	el
dc.contributor.author	Tsitseklis, Konstantinos	en
dc.date.accessioned	2018-02-20T12:02:24Z
dc.date.available	2018-02-20T12:02:24Z
dc.date.issued	2018-02-20
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/46548
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15155
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Ανίχνευση κοινοτήτων	el
dc.subject	Μεγάλα δεδομένα	el
dc.subject	Διαδίκτυο-των-αντικειμένων	el
dc.subject	Κεντρικότητα ενδιαμεσικότητας ακμής	el
dc.subject	Ενσωμάτωση δικτύου	el
dc.subject	Community detection	en
dc.subject	Big data	el
dc.subject	Internet-of-things	el
dc.subject	Edge betweenness centrality	el
dc.subject	Network embedding	el
dc.title	Ανάλυση μεγάλων δεδομένων διαδικτύου-των-αντικειμένων με αλγόριθμους ανίχνευσης κοινοτήτων σε δίκτυα υπερβολικών χώρων	el
heal.type	bachelorThesis
heal.classification	Δίκτυα υπολογιστών	el
heal.classificationURI	http://data.seab.gr/concepts/153fe368826b77f9a4acaa8ea0eed5811bfcadf4
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-10-09
heal.abstract	Ο σκοπός της παρούσας Διπλωμάτικης Εργασίας είναι η ανάπτυξη μιας αποδοτικής μεθοδολογίας Ανίχνευσης Κοινοτήτων για την ανάλυση Μεγάλων Δεδομένων που προκύπτουν από τοπολογίες Διαδικτύου-των-Αντικειμένων. Για τον σκοπό αυτό γίνεται χρήση δικτύων ενσωματωμένων στον Υπερβολικό Χώρο. Ο χώρος αυτός λόγω των ιδιοτήτων του, επιλέγεται ως ένας «φυσικός» χώρος για την αναπαράσταση Σύνθετων Δικτύων. Για την ανάπτυξη της μεθοδολογίας γίνεται τροποποίηση του αλγόριθμου Ανίχνευσης Κοινοτήτων των Newman-Girvan. Στον αλγόριθμο των Newman-Girvan γίνεται χρήση της έννοιας της Κεντρικότητας Ενδιαμεσικότητας Ακμών. Στο πλαίσιο της παρούσας εργασίας προτείνεται μια προσέγγιση υπολογισμού της μετρικής αυτής με χρήση υπερβολικής γεωμετρίας. Συγκεκριμένα, προτείνεται ένας προσεγγιστικός αλγόριθμος ο οποίος υπολογίζει τις Κεντρικότητες των Ακμών βασισμένος στις αποστάσεις των κόμβων μετά από ενσωμάτωσή των αντίστοιχων δικτύων στον Υπερβολικό Χώρο. Η νέα αυτή μετρική ονομάζεται Υπερβολική Κεντρικότητα Ενδιαμεσικότητας Ακμής (Υ.Κ.Ε.Α.). Επειδή ο υπολογισμός της Κεντρικότητας Ενδιαμεσικότητας (είτε κορυφής, είτε ακμής) βασίζεται στον υπολογισμό συντομότερων μονοπατιών επιλέγεται για την ενσωμάτωση του δικτύου η Ενσωμάτωση Rigel. Η ενσωμάτωση αυτή τοποθετεί τους κόμβους με τέτοιο τρόπο στον Υπερβολικό Χώρο ώστε η απόσταση δυο κόμβων να προσεγγίζει την απόσταση τους στο δίκτυο. Στη συνέχεια, η μετρική αυτή χρησιμοποιείται στον προτεινόμενο αλγόριθμο Ανίχνευσης Κοινοτήτων Hyperbolic Newman-Girvan (HNG). Η απόδοση του αλγόριθμου HNG μελετήθηκε τόσο για Γράφους Εγγύτητας, δίκτυα δηλαδή που προκύπτουν από την ένωση σημείων παρατηρήσεων όσο και για Κοινωνικά Δίκτυα τύπου μικρής-κλίμακας, αλλά και για διάφορα μοντέλα κατασκευής Σύνθετων Δικτύων. Ο αλγόριθμος ολοκληρώθηκε σε μικρότερο χρονικό διάστημα από τον αλγόριθμο των Newman-Girvan στην περίπτωση των Γράφων Εγγύτητας που εξετάστηκαν, καθώς επίσης έδωσε ικανοποιητικά αποτελέσματα Αρθρωτότητας για τα υπόλοιπα δίκτυα. Τα αποτελέσματα αυτά παρουσιάζονται αναλυτικά τόσο με πίνακες όσο και με διαγράμματα στο αντίστοιχο κεφάλαιο της Εργασίας (Κεφάλαιο 8).	el
heal.abstract	The purpose of this Diploma Thesis is the development of an efficient method for Community Detection to be used in the analysis of Big Data sets that stem from Internet-Of-Things topologies. For this purpose, network graph embedding in the Hyperbolic Space is employed. This space is selected based on its properties as a “natural” space for the representation of Complex Networks. For the development of the method, the Newman-Girvan Community Detection algorithm is modified. The Newman-Girvan algorithm makes use of the notion of Edge Betweenness Centrality. In this Thesis an approximation for the computation of this network metric based on hyperbolic geometry is proposed. Specifically, an approximation algorithm is proposed, which computes the Edge Betweenness Centrality based on node distances after the corresponding graphs are embedded in Hyperbolic Space. This new metric is named Hyperbolic Edge Betweenness Centrality (HEBC). As the computation of Betweenness Centrality (either of nodes or edges) is based on the computation of shortest paths, Rigel Embedding is chosen for the stage of the network embedding. This embedding algorithm assigns node coordinates in a way that the distance between two nodes in the Hyperbolic Space approximates the length of the shortest path joining them in the original network. The HEBC metric is then used in the proposed Community Detection algorithm called Hyperbolic Newman-Girvan. The efficiency of the proposed Community Detection algorithm was studied for Proximity Graphs, meaning graphs generated by linking observation points, as well as for small-scale Social Networks but also for artificial Complex Networks generated by various models. The proposed algorithm completed faster than the traditional Newman-Girvan algorithm for the Proximity Graphs studied and achieved good Modularity scores for the rest of the networks. These results are presented thoroughly using tables and diagrams in the respective chapter of the Thesis (Chapter 8).	en
heal.advisorName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Βαρβαρίγου, Θεοδώρα	el
heal.committeeMemberName	Ρουσσάκη, Ιωάννα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	87 σ.
heal.fullTextAvailability	true