Σύντομη Περιγραφή Περιεχομένου των Μαθήματων

Ενσωματωμένα Συστήματα και Συστήματα Πραγματικού Χρόνου

(Embedded and Real-Time Systems)

Αρχιτεκτονικές Δικτυακών Ενσωματωμένων Συστημάτων και Συστημική Σχεδίαση, Συ-σχεδίαση (Co-design) επιμερισμός λειτουργιών σε Υλικό και Λογισμικό και συν-εξομοίωση, Εργαλεία Ανάπτυξης, Ενσωματωμένο Λογισμικό Συστημάτων και Διαδικασίες (Διαμεταγλωττιστές, GNU cross-development tool chain, διαμόρφωση χαρακτηριστικών bootloader, διαμόρφωση λειτουργικού συστήματος). Οδηγοί Δικτυακών Συσκευών, Εφαρμογές Δικτυακών Ενσωματωμένων Συστημάτων σε πλατφόρμες ανωτέρου επιπέδου Rasberry Pi. Προγραμματισμός της πλατφόρμας Raspberry Pi με Python

 

Διαδίκτυο των Πραγμάτων

(Internet of ThingsWeb of Things)

Στα πλαίσια του συγκεκριμένου μαθήματος, παρουσιάζεται η χρήση των τεχνολογιών του διαδικτύου για την εξυπηρέτηση των αναγκών ενός διασυνδεδεμένου κόσμου, όπου έμβιες (άνθρωποι, ζώα, φυτά), άβιες (αντικείμενα, συσκευές) και εικονικές (λογισμικό, διαδικασίες, πράκτορες λογισμικού εικονικές μηχανές) μπορούν να επικοινωνούν και να συνεργάζονται. Ειδικότερα, παρουσιάζονται αρχιτεκτονικές και πρωτόκολλα διασύνδεσης στο διαδίκτυο και ο τρόπος σύνδεσης συσκευών με χρήση IP και εναλλακτικών λύσεων στο διαδίκτυο, θέματα ασφάλειας και ιδιωτικότητας, καθώς και συλλογή, μετάδοσης, αποθήκευσης και διάθεσης (με ανοικτό τρόπο) δεδομένων, με έμφαση στη χρήση τεχνολογιών παγκόσμιου ιστού. Επίσης παρουσιάζονται τεχνολογίες συλλογής πληροφοριών για την επίγνωση θέσης, κατάστασης συνθηκών, και ο τρόπος υλοποίησης ολοκληρωμένων διασυνδεδεμένων ηλεκτρονικών συστημάτων ενώ παράλληλα με τις θεωρητικές παρουσιάσεις, γίνεται  τα παραπάνω παρουσιάζονται πρακτικές υλοποιήσεις και παραδείγματα. Βασικά πεδία τα οποία θα καλυφτούν στα πλαίσια του μαθήματος είναι:

Περιβάλλοντα ανάπτυξης ΙοΤ εφαρμογών: kaa, Device Hive, Zetta, Openiot κ.α.

Πρωτόκολλα επικοινωνίας σε IoT εφαρμογές: MQTT, CoAP, 6LoWPAN

Προγραμματιζόμενα ενσωματωμένα συστήματα IoT: Arduino, Rasberry Pi, beagleboard, C.H.I.P., PocketCHIP κ.α.

Εφαρμογές IoT σε πραγματικά περιβάλλοντα: Smart Farming, Smart Energy, Smart Home, Healthcare Solutions

 

Υπολογιστική Ευφυΐα και Βαθιά Μάθηση

(Computational intelligence and deep learning)

Εισαγωγή στην υπολογιστική ευφυΐα

Αναγνώριση προτύπων: Κλασσική θεωρία αποφάσεων του Bayes, Ταξινόμηση με κανονικές κατανομές, Εκτίμηση πυκνότητας πιθανότητας

Εκμάθηση χωρίς επίβλεψη (unsupervised learning): Μέθοδοι συσταδοποίησης (clustering), Aλγόριθμος k-means, Αυτοοργανούμενα δίκτυα (Self organizing maps)

Μέθοδοι παλινδρόμησης: Γραμμική παλινδρόμηση, Πολλαπλή γραμμική παλινδρόμηση, Παλινδρόμηση ridge, Παλινδρόμηση LASSO

Νευρωνικά δίκτυα και βαθιά μάθηση (deep learning): Εκμάθηση με επίβλεψη (supervised learning), Νευρωνικά δίκτυα MultiLayer Perceptron (MLP), Νευρωνικά δίκτυα Radial Basis Function (RBF), Παλινδρομικά δίκτυα (recurrent networks), Συνελικτικά δίκτυα (convolutional networks), Αλγόριθμοι εκμάθησης. Σε πρακτικό επίπεδο, το κεφάλαιο αυτό καλύπτει τις θεμελιώδεις γνώσεις της Βαθιάς Μάθησης. Έμφαση δίνεται στον τρόπο δόμησης ενός πλήρους συνδεδεμένου Πολυστρωματικού Νευρωνικού Δικτύου, στον τρόπο εκπαίδευσής του, καθώς και στην εφαρμογή του προκειμένου να δοθεί λύση σε καθημερινά προβλήματα.

Μηχανές διανυσμάτων υποστήριξης (support vector machines): Βέλτιστο υπερεπίπεδο για γραμμικά διαχωρίσιμες κλάσεις, Tετραγωνική βελτιστοποίηση για την εύρεση του βέλτιστου υπερεπιπέδου, Mηχανές πυρήνα, Bέλτιστο υπερεπίπεδο για μη γραμμικά διαχωρίσιμες κλάσεις, Παλινδρόμηση βασισμένη σε διανύσματα υποστήριξης (support vector regression)

Μεταευρετικές μέθοδοι αναζήτησης (metaheuristic search methods): Προσομοιωμένη ανόπτηση (Simulated annealing), Γενετικοί αλγόριθμοι, Εξελικτικός υπολογισμός, Διαφορική εξέλιξη (Differential evolution), Βελτιστοποίηση σμήνους σωματιδίων (Particle swarm optimization).

 

Μεθοδολογία Έρευνας και Τεχνική Συγγραφή

(Methodology of Research and Technical Writing)

(α) Εισαγωγή στην ορολογία της έρευνας, βασική και εφαρμοσμένη έρευνα, θέματα σχεδιασμού και υλοποίησης ερευνητικών δράσεων, παραγωγής υποστηρικτικού – επεξηγηματικού υλικού και διάχυσης/δημοσίευσης των αποτελεσμάτων. Ηθική της έρευνας, πνευματικά δικαιώματα και αποφυγή λογοκλοπής. Διεθνές πλαίσιο δημοσίευσης αποτελεσμάτων (περιοδικά, συνέδρια, ημερίδες), κύρος και εμβέλεια των πηγών και μέσων δημοσίευσης, τρόποι πρόσβασης (συνδρομητικός, ανοικτός) σε δημοσιεύσεις, θέματα αξιολόγησης δημοσιεύσεων και διαχείρισης εκδόσεων. Μέθοδοι βιβλιογραφικής έρευνας με σύγχρονα διαδικτυακά εργαλεία. Μηχανισμοί αναζήτησης και αποδελτίωσης πληροφορίας. Τυποποιημένες μέθοδοι παρουσίασης της βιβλιογραφίας και των αναφορών σε άρθρα (π.χ. Chicago, Harvard, APA, κ.α.).

(β) Μέθοδοι ποιοτικής και ποσοτικής έρευνας. Έρευνα πεδίου, έρευνα δράσης, μελέτη περίπτωσης. Βασικές έννοιες πληθυσμού, δείγματος, δειγματοληψίας, ακρίβειας, αμεροληψίας, αξιοπιστίας. Στατιστική επεξεργασία ποσοτικών στοιχείων με χρήση εργαλείων λογισμικού.

(γ) Συγγραφή τεχνικών κειμένων (αναφορών, άρθρων, περιλήψεων, παρουσιάσεων). Δομή, περιεχόμενο, μορφοποίηση, ορολογία, γλώσσα, έκφραση. Εξάσκηση με παραδείγματα από το γνωστικό αντικείμενο του Τμήματος. Εργαλεία λογισμικού για συγγραφή δημοσιεύσεων, μαθηματικών τύπων, πινάκων κλπ. (π.χ. Latex). Μηχανισμοί συνεργασίας, σχολιασμού και διορθώσεων (collaborative editing, versioning and commenting).

 

Κυβερνο-φυσικά Συστήματα και Έξυπνες Υποδομές

(Cyber-Physical Systems [CPS] and Smart Infrastructures)

Σε αυτό το μάθημα, ξεκινώντας από μία σύντομη επισκόπηση των τεχνολογιών του Διαδικτύου και του Ιστού των Πραγμάτων (IoT/WoT), παρουσιάζονται οι τομείς στους οποίους η συνεργασία φυσικού και ηλεκτρονικού κόσμου μπορεί να οδηγήσει σε υβριδικά (κυβερνο-φυσικά συστήματα), τα οποία προσφέρουν εξελιγμένη επικοινωνία με τον χρήστη, αποδοτική διαχείριση από απόσταση, υποστήριξη από νεφοϋπολογιστικά συστήματα, και χρήση μηχανικής μάθησης και τεχνητής ευφυΐας. Παρουσιάζονται παραδείγματα και θέματα σε γεωργία/κτηνοτροφία, ενέργεια, έξυπνων πόλεων και μεταφορών, οικιακού αυτοματισμού και προσωπικών ηλεκτρονικών βοηθών, κ.α.).

 

Αισθητήρες, Μικροσυστήματα και Έξυπνες Συσκευές

(Sensors, Microsystems and Smart Devices)

Το συγκεκριμένο μάθημα αποσκοπεί στο να εισάγει τους φοιτητές στο σύγχρονο πεδίο της τεχνολογίας των μικροσυστημάτων και των ευρέων εφαρμογών τους στις έξυπνες διατάξεις. Θα αναλυθεί η βιομηχανοποίηση των συγκεκριμένων συστημάτων και τα βασικά τους πλεονεκτήματα σε σχέση με τα αντίστοιχα συμβατικά, που τα καθιστούν απαραίτητα στα σύγχρονα πεδία εφαρμογών. Η χρήση τους στη βιομηχανία, στις επιστήμες της ζωής, στις τηλεπικοινωνίες, στη βιολογία, στην ιατρική και σε άλλα βασικά πεδία εφαρμογών θα εξετασθεί σε βάθος έτσι ώστε οι φοιτητές να αποκτήσουν μια εμπεριστατωμένη εικόνα του φάσματος που καλύπτουν τα μικρομηχανικά συστήματα και οι έξυπνες συσκευές στην σύγχρονη κοινωνία.

Οι μεταπτυχιακοί φοιτητές θα γνωρίσουν τόσο την τεχνολογία κατασκευής όσο και την λειτουργία βασικών μικρομηχανικών διατάξεων και θα κατανοήσουν τον τρόπο με τον οποίο μπορούν να εφαρμοστούν σε διάφορα πεδία. Μ’ αυτό τον τρόπο θα έρθουν σε επαφή με μία νέα συναρπαστική τεχνολογία που θα αποτελέσει τη βάση των συστημάτων του μέλλοντος και θα εφοδιαστούν με τις απαραίτητες γνώσεις για να ανταπεξέλθουν σε απαιτήσεις τόσο σε επαγγελματικό όσο και σε επιστημονικό/ερευνητικό επίπεδο.

 

Επιστημονικοί Υπολογισμοί και Μαθηματική Μοντελοποίηση

(Scientific Calculations and Mathematical Modeling)

Ντετερμινιστικά και στοχαστικά μαθηματικά μοντέλα. Μαθηματική μοντελοποίηση με δυναμικά συστήματα και διαφορικές εξισώσεις. Mέθοδοι επίλυσης συστημάτων διαφορικών εξισώσεων,  περιγραφή φυσικού συστήματος με διαφορικές εξισώσεις. Προσομοίωση,  μέθοδοι και τεχνικές προσομοίωσης. Θεωρητικές βάσεις για συνδυασμό προσομοίωσης με τεχνητή νοημοσύνη. Αριθμητικοί και συμβολικοί υπολογισμοί  σε υπολογιστή. Υπολογισμοί διπλής, τετραπλής  και μεγαλύτερης ακρίβειας. Σημαντικότητα ελέγχου των σφαλμάτων αριθμητικών υπολογισμών στον υπολογιστή. Μεθοδολογίες αριθμητικής γραμμική Άλγεβρας,  Αριθμητική Επίλυση Συνήθων Διαφορικών Εξισώσεων και διαφορικών εξισώσεων με μερικές παραγώγους (Finite differences, Finite elements). Μεθοδολογίες παρεμβολής και Προσέγγισης επιστημονικών δεδομένων, Μεθοδολογίες Βελτιστοποίησης  με ή χωρίς συνθήκες. Εύρεση ελαχίστων συναρτήσεων  κόστους με κλασσικούς ή διαφοροεξελεγκτικούς αλγόριθμους.  Μεθοδολογίες στατιστικής επεξεργασίας και ανάλυσης δεδομένων. Επίλυση μαθηματικών προβλημάτων σε περιβάλλοντα επιστημονικού προγραμματισμού (Matlab, Mathematica, Python,  Fortran). Υλοποίηση μαθηματικών μεθοδολογιών σε περιβάλλοντα μοντελοποίησης και λογισμικό προσομοίωσης (Comsol Multyphysics , Labview).   Αναφορά σε παράλληλους αλγόριθμους και παράλληλους υπολογισμούς.

Στόχος του μαθήματος θα είναι η κατανόηση βασικών  μεθοδολογιών επιστημονικού προγραμματισμού για την επίλυση μαθηματικών προβλημάτων και η επίλυσή τους με τη χρήση των δυνατοτήτων που παρέχουν τα σύγχρονα περιβάλλοντα επιστημονικού προγραμματισμού και όχι ο προγραμματισμός τους από το μηδέν.  Ο φοιτητής αφού κατανοεί την μαθηματική υπόσταση του προβλήματος που θα καλείται να επιλύσει θα μπορεί να καθορίζει τις παραμέτρους και να   εφαρμόζει  τα εργαλεία που του παρέχουν τα σύγχρονα αυτά περιβάλλοντα.

 

Νεφοϋπολογιστική και Ανάλυση Δεδομένων

(Cloud Computing & Data Analytics)

Το τμήμα του μαθήματος που καλύπτει την “Νεφοϋπολογιστική (Cloud Computing)”, καλύπτει τις παρακάτω ενότητες

Μοντέλα παροχής υπηρεσιών υπολογιστικού νέφους: Η φιλοσοφία της “υπηρεσιοποίησης (… as a service)”, Infrastructure as a Service (IaaS), Platform as a Service (PaaS), Software as a Service (SaaS), Storage as a Service (STaa) κ.α.

Τεχνικές Εικονοποίησης: Virtualization, Containerization, Dockerization

Εργαλεία για εικονοποίηση: VMware, KVM, Xen, Docker κ.α.

Αρχιτεκτονικές υλοποίησης εφαρμογών: Μονολιθηκή Αρχιτεκτονική (Monolithic Architecture), Αρχιτεκτονική υλοποιημένη με υπηρεσίες (Service-oriented Architecture – SOA), Αρχιτεκτονική υλοποιημένη με μικροϋπηρεσίες (Microservices-oriented Architecture).

Εργαλειοθήκη Docker:  Docker Container, Docker Image, Docker file, Docker Registry, Docker Compose, Docker Swarm, Docker Stack

Πλατφόρμες ανάπτυξης υπηρεσιών νέφους: OpenStack, Synnefo, Eucalyptus, OpenNebula, CloudStack, Nimbus κ.α.

Πάροχοι υπηρεσιών νέφους: Amazon Web Services AWS, Microsoft Azure, Google Cloud Platform, Okeanos κ.α.

Το τμήμα του μαθήματος που καλύπτει το πεδίο της “Ανάλυση Δεδομένων (Data Analytics)”, περιλαμβάνει την συλλογή, την αποθήκευση, την επεξεργασία και την απεικόνιση των δεδομένων.

Εργαλεία και Γλώσσες προγραμματισμού στο DA: Python, Scala, R, SQL κ.α.

Συλλογή Δεδομένων: Η ετερογένεια (πολλοί τύποι) και ο όγκος των δεδομένων που δημιουργούν σύγχρονα συστήματα IoT.

Αποθήκευση Δεδομένων: Τα πλεονεκτήματα και τα μειονεκτήματα των Σχεσιακών (RDBMS) και Μη Σχεσιακών Βάσεων Δεδομένων (Not Only SQL). Κατηγορίες NoSQL βάσεων δεδομένων (Key-values Stores, Column Family Stores, Document Databases και Graph Databases). Παραδείγματα NoSQL βάσεων δεδομένων (Cassandra, Dynamo, SimpleDB, BigTable, Neo4J, CouchDB, MongoDB κ.α.)

Προεπεξεργασία και Επεξεργασία Δεδομένων: Τεχνικές “Μείωσης διαστατικότητας (Dimensionality Reduction), “Εξόρυξης Δεδομένων (Data mining)”, “Μοντελοποίηση Πρόβλεψης (Predictive modeling)”, “Στατιστική Ανάλυση (Statistical Analysis)”.

Απεικόνιση Δεδομένων: Τεχνικές Οπτικοποίησης δεδομένων σε πραγματικό χρόνο, δημιουργία “πινάκων ελέγχου με γραφήματα (dashboards with charts)” και η χρησιμότητά τους στην λήψη αποφάσεων.

 

Εύκαμπτα Συστήματα και Φορετές Διατάξεις

(Flexible systems and Wearable Devices)

Στο συγκεκριμένο μάθημα θα παρουσιαστούν οι βασικές τεχνολογίες εκτύπωσης ηλεκτρονικών διατάξεων (inkjet, roll-to-roll, gravure, offset, flexography κτλ) καθώς και τα βασικά τους χαρακτηριστικά, τα οποία έχουν άμεση σχέση με τις εμπλεκόμενες εφαρμογές. Θα αναφερθούν ακόμη τα σχετικά υλικά των εύκαμπτων ηλεκτρονίων (δομικά στοιχεία και υποστρώματα) και οι ιδιαιτερότητες του καθενός. Ο φοιτητής θα έλθει σε επαφή με σύγχρονες εφαρμογές σε διάφορα πεδία (Radio-frequency identification (RFID) tags, Monitoring, Data storage, Display and visual effects, Toys, sensors & interfacing). Το δεύτερο μέρος του μαθήματος θα εστιαστεί στα φορετά συστήματα, τις βασικές αρχές σχεδιασμού και ολοκλήρωσης, τις τεχνολογίες κατασκευής, τα πρωτόκολλα λειτουργίας και επικοινωνίας, τους περιορισμούς λειτουργίας και τις κύριες προσκλήσεις των μελλοντικών διατάξεων.

 

Έξυπνα Περιβάλλοντα Eµβύθισης και Eπίγνωση Kατάστασης

(Smart Immersive Environments and Situational Awareness)

Το συγκεκριμένο μάθημα παρουσιάζει θέματα δημιουργίας περιβαλλόντων αλληλεπίδρασης του χρήστη τα οποία δίνουν τη συνατότητα για εξελιγμένη αντίληψη, με χρήση τεχνικών εικονικής , επαυξημένης και μεικτής πραγματικότητας, καθώς και επίγνωση κατάστασης του χρήστη. Στα πλαίσια του μαθήματος, γίνεται εισαγωγή στις τεχνολογίες υποστήριξης περιβαλλόντων εμβύθισης (Virtual Reality, Augmented Reality, Mixed Reality), και παρουσιάζονται εργαλεία και πλατφόρμες για την ανάπτυξη εφαρμογών για σταθερά και κινητά υπολογιστικά συστήματα, με την έμφαση να δίδεται στις τεχνολογίες και όχι αυστηρά στον προγραμματισμό. Επίσης, παρουσιάζονται οι τεχνολογίες του Διαδικτύου των Πραγμάτων οι οποίες μπορούν να χρησιμοποιηθούν για την κατανόηση της κατάστασης χρήστη (θέση, προσανατολισμός, κίνηση, συναισθηματική κατάσταση, χειρονομίες χρήστη, προσοχή και εστιασμός, κ.λ.π).

 

Βιομηχανικός και Ευφυής Έλεγχος

(Industrial and Intelligent Control)

Εισαγωγή στον αυτόματο έλεγχο

Ελεγκτές PID: Θεωρητική ανάλυση, Bαθμονόμηση (tuning), Aναλογική υλοποίηση, Ψηφιακή υλοποίηση

Έλεγχος διεργασιών: Αυτόματος έλεγχος στη βιομηχανία τροφίμων, Αυτόματος έλεγχος στη χημική βιομηχανία, Αυτόματος έλεγχος σε διυλιστήρια και τη βιομηχανία πετρελαίου

Ολοκληρωμένη βιομηχανική παραγωγή μέσω υπολογιστή (C.I.M.): Σχεδιασμός και εκτέλεση παραγωγής μέσω υπολογιστή (CAD/CAM), Προγραμματισμός παραγωγής μέσω υπολογιστή (C.A.P.P.), Στρατηγικές παραγωγής

Πληροφορικά συστήματα εποπτικού ελέγχου παραγωγής (S.C.A.D.A.). Ευέλικτα συστήματα παραγωγής (F.M.S.).  Αυτοματοποιημένα συστήματα μεταφοράς και αποθήκευσης

Έλεγχος στο χώρο κατάστασης: Εξισώσεις κατάστασης, Ελεγξιμότητα –παρατηρησιμότητα, Έλεγχος με ανατροφοδότηση κατάστασης, Παρατηρητές, Φίλτρο Kalman

Βέλτιστος έλεγχος: Δυναμικός προγραμματισμός, Εξίσωση Hamilton-Jacobi-Bellman, Γραμμικοί τετραγωνικοί ελεγκτές (linear quadratic regulators, LQR)

Ασαφείς ελεγκτές (fuzzy controllers): Εισαγωγή στην ασαφή λογική, Ασαφή σύνολα, Συναρτήσεις συμμετοχής, Ασαφείς κανόνες, Ασαφείς ελεγκτές, Βαθμονόμηση και υλοποίηση, Βιομηχανικές εφαρμογές

Ελεγκτές βασισμένοι σε νευρωνικά δίκτυα (neuro-controllers): Άμεσος έλεγχος, Αντίστροφοι νευρωνικοί ελεγκτές, Έμμεσος έλεγχος, Ελεγκτές προβλεπτικού μοντέλου (model predictive controllers), Βιομηχανικές εφαρμογές

Εισαγωγή στα Ρομποτικά Συστήματα:  Κατηγοριοποίηση, Αρχιτεκτονική, Βιομηχανικές εφαρμογές

 

Ασφάλεια και ιδιωτικότητα σε κυβερνοφυσικά συστήματα

(Security and Privacy in Cyber-Physical Systems)

Το μάθημα αυτό παρουσιάζει επιλεγμένα θέματα ασφάλειας σε σχέση με τη λειτουργία και τη διασύνδεση ενσωματωμένων συστημάτων, κυβερνο-φυσικών συστημάτων (CPS) και το Διαδίκτυο των Πραγμάτων (IoT). Παρουσιάζεται η χρήση ενσωματωμένων και κυβερνο-φυσικών συστημάτων για την αποτελεσματική παρακολούθηση και έλεγχο συστημάτων πραγματικού κόσμου, από εμφυτεύσιμες ιατρικές συσκευές έως μεγάλες, κρίσιμες υποδομές, και τη σημασία που έχει η ασφάλεια, αλλά και τις επιπτώσεις που μπορεί να έχει η παραβίασή της, όσον αφορά στην πρόσβαση σε σημαντικά ή/και προσωπικά δεδομένα. Σε αυτό το πλαίσιο, μελετώνται οι ευπάθειες των κυβερνο-φυσικών συστημάτων, η σχεδίαση μέτρων ασφάλειας και ο προσέγγιση της ασφάλειας μέσω του σχεδιασμού (security by design). Σε πρακτικό επίπεδο, παρουσιάζονται εργαλεία για την αξιολόγηση ασφάλειας και την αξιολόγηση κινδύνου και ευπαθειών, την ενσωμάτωση συστημάτων παρακολούθησης και αντιμετώπισης κινδύνων, καθώς και το σχεδιασμό για αντιμετώπιση ευπαθειών οι οποίες θα προκύψουν στο μέλλον. Τέλος γίνεται αναφορά στο πλαίσιο προστασίας της ιδιωτικότητας με αναφορές στο ρυθμιστικό και νομικό πλαίσιο, ενώ παρουσιάζονται περιπτώσεις επιθέσεων και οι συνέπειές τους.

 

Ασύρματα δίκτυα δεδομένων και αισθητήρων

(Wireless Data and Sensors Networks)

Το περιεχόμενο του μαθήματος έχει ως στόχο να καλύψει τα πλέον κρίσιμα ζητήματα έρευνας και βιομηχανικής υλοποίησης που αφορούν στα σύγχρονα ασύρματα δίκτυα δεδομένων. Σε αυτό το πλαίσιο θα πραγματοποιηθεί μία επισκόπηση των αρχιτεκτονικών δικτύου και πρωτοκόλλων των 802.11 WLAN δικτύων (Wireless Local Area Networks 802.11) καθώς και των ασύρματων δικτύων ειδικού σκοπού όπως τα ΜΑΝΕΤ (Mobile Ad-Hoc Networks) και WSN (Wireless Sensor Networks). Για κάθε ένα από τους προαναφερόμενους τύπους δικτύου η έμφαση θα δοθεί στα ερευνητικά και θεωρητικά ζητήματα που απασχολούν καθώς και στις σύγχρονες τάσεις σε ότι αφορά τις βιομηχανικές υλοποιήσεις.

Σε ότι αφορά τα WLAN θα εξετασθούν: α) στο φυσικό στρώμα η σύνθεση τεχνολογιών όπως οι ΜΙΜΟ, OFDM, FEC κωδικοποίησης καθώς και η ασύρματη διεπαφή στα 60 GHz, β) στο στρώμα Ζεύξης (Link Layer) ζητήματα ποιότητα υπηρεσίας (QoS) και ασφάλειας δικτύων (Authentication/Ciphering), γ) στο στρώμα Δικτύου (Network Layer) ζητήματα κινητικότητα (mobile IP) και handover (802.21) και τέλος δ) στο στρώμα Μεταφοράς (Transport Layer) ζητήματα που αφορούν την προσαρμογή των ενσύρματων TCP/UDP πρωτοκόλλων στις ιδιαιτερότητες των ασύρματων δικτύων.

Σε ότι αφορά τα MANET δίκτυα θα εξεταστουν ζητήματα: α) δρομολόγησης σε ad-hoc αρχιτεκτονικές δικτύων (Proactive-Reactive στρατηγικές δρομολόγησης), β) Peer to Peer δικτύωσης (Distributed Hash Tables) καθώς γ) Ασφάλειας δικτύων.

Τέλος, σε ότι αφορά τα WSN δίκτυα θα εξεταστούν, μέσα από το πρίσμα των ιδιαίτερων περιορισμών που αφορούν στην ενεργειακή κατανάλωση, το υπολογιστικό κόστος, τη περιορισμένη μνήμη καθώς και την ad-hoc και επεκτάσιμη αρχιτεκτονική αυτών των δικτύων: α) τεχνικές μετάδοσης στο φυσικό στρώμα σε συνάρτηση με την ενεργειακή κατανάλωση, την εμβέλεια και την ταχυτητα μετάδοσης, β) αρχιτεκτονικές WSN δικτύων (clustered/layered), τεχνικές MAC/Link Layer και δρομολόγησης/διάχυσης/Συλλογής των δεδομένων-μετρήσεων σε συνάρτηση με την ενεργειακή κατανάλωση, το μεταβλητό πληθυσμό των κόμβων, την έλλειψη συγχρονισμού κοκ, γ) τεχνικές εντοπισμού θεσης (Location Discovery), δ) μεθοδολογίες προσδιορισμού/εκτίμησης της κάλυψης (Voronoi διαγράμματα, Delaunay Triangulation, Αλγόριθμοs Dijkstra) και τέλος ε) σύγχρονες βιομηχανικές υλοποιήσεις (ZigBee, LoRA).