{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5424672"},"canonical_url":"https://search.dev.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5424672","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Homomorphic Federated Learning Architectures for Intelligent 6G Networks","abstract":"Η έκτη γενιά ασύρματων δικτύων αναμένεται να φέρει θεμελιώδεις αλλαγές στον τρόπο που οι συσκευές επικοινωνούν και μοιράζονται δεδομένα, εισάγοντας τεχνολογίες όπως η τεχνητή νοημοσύνη και το υπολογιστικό νέφος στην άκρη του δικτύου. Η αυξημένη συλλογή και ανάλυση δεδομένων, ωστόσο, καθιστά την προστασία της ιδιωτικότητας και της ασφάλειας κρίσιμο ζήτημα. Η Ομοσπονδιακή Μάθηση επιτρέπει την εκπαίδευση μοντέλων μηχανικής μάθησης χωρίς τη μεταφορά των αρχικών δεδομένων, προσφέροντας ένα πρώτο επίπεδο προστασίας. Ωστόσο, τα δεδομένα μπορούν ακόμη να διαρρεύσουν μέσω των ενημερώσεων των μοντέλων. Η Ομομορφική Κρυπτογράφηση δίνει τη δυνατότητα εκτέλεσης υπολογισμών πάνω σε κρυπτογραφημένα δεδομένα, χωρίς αποκρυπτογράφηση. Ο συνδυασμός των δύο μεθόδων οδηγεί στην Ομομορφική Ομοσπονδιακή Μάθηση, μια τεχνική που παρέχει ισχυρή προστασία ιδιωτικότητας, ακόμη και απέναντι σε μη αξιόπιστους εξυπηρετητές. Η παρούσα διπλωματική εργασία στοχεύει στη σχεδίαση και αξιολόγηση μιας ασφουλούς και αποδοτικής αρχιτεκτονικής Ομομορφικής Ομοσπονδιακής Μάθησης, κατάλληλης για τα περιβάλλοντα των μελλοντικών δικτύων έκτης γενιάς. Μέσω υλοποίησης πρωτοτύπου και συγκριτικής αξιολόγησης με άλλες προσεγγίσεις, επιδιώκεται η διερεύνηση του συμβιβασμού μεταξύ ασφάλειας, απόδοσης και κλιμακωσιμότητας, με στόχο την πρακτική εφαρμογή της Ομομορφικής Ομοσπονδιακής Μάθησης σε πραγματικά σενάρια.","abstract_html":"Η έκτη γενιά ασύρματων δικτύων αναμένεται να φέρει θεμελιώδεις αλλαγές στον τρόπο που οι συσκευές επικοινωνούν και μοιράζονται δεδομένα, εισάγοντας τεχνολογίες όπως η τεχνητή νοημοσύνη και το υπολογιστικό νέφος στην άκρη του δικτύου. Η αυξημένη συλλογή και ανάλυση δεδομένων, ωστόσο, καθιστά την προστασία της ιδιωτικότητας και της ασφάλειας κρίσιμο ζήτημα. Η Ομοσπονδιακή Μάθηση επιτρέπει την εκπαίδευση μοντέλων μηχανικής μάθησης χωρίς τη μεταφορά των αρχικών δεδομένων, προσφέροντας ένα πρώτο επίπεδο προστασίας. Ωστόσο, τα δεδομένα μπορούν ακόμη να διαρρεύσουν μέσω των ενημερώσεων των μοντέλων. Η Ομομορφική Κρυπτογράφηση δίνει τη δυνατότητα εκτέλεσης υπολογισμών πάνω σε κρυπτογραφημένα δεδομένα, χωρίς αποκρυπτογράφηση. Ο συνδυασμός των δύο μεθόδων οδηγεί στην Ομομορφική Ομοσπονδιακή Μάθηση, μια τεχνική που παρέχει ισχυρή προστασία ιδιωτικότητας, ακόμη και απέναντι σε μη αξιόπιστους εξυπηρετητές. Η παρούσα διπλωματική εργασία στοχεύει στη σχεδίαση και αξιολόγηση μιας ασφουλούς και αποδοτικής αρχιτεκτονικής Ομομορφικής Ομοσπονδιακής Μάθησης, κατάλληλης για τα περιβάλλοντα των μελλοντικών δικτύων έκτης γενιάς. Μέσω υλοποίησης πρωτοτύπου και συγκριτικής αξιολόγησης με άλλες προσεγγίσεις, επιδιώκεται η διερεύνηση του συμβιβασμού μεταξύ ασφάλειας, απόδοσης και κλιμακωσιμότητας, με στόχο την πρακτική εφαρμογή της Ομομορφικής Ομοσπονδιακής Μάθησης σε πραγματικά σενάρια.","abstract_has_math":false,"creators":["ΜΠΟΥΖΑΛΑΣ ΔΗΜΗΤΡΙΟΣ","MPOUZALAS DIMITRIOS"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-08-21T16:41:56Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5424672"],"render_values":[{"text":"uoadl:5424672","href":null,"code":true}]}]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5424672","outbound_label":"Repository record","outbound_source":"dc:identifier"},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5424672","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΜΠΟΥΖΑΛΑΣ ΔΗΜΗΤΡΙΟΣ","MPOUZALAS DIMITRIOS"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5424672","https://pergamos.lib.uoa.gr/uoa/dl/object/5424672"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η έκτη γενιά ασύρματων δικτύων αναμένεται να φέρει θεμελιώδεις αλλαγές στον τρόπο που οι συσκευές επικοινωνούν και μοιράζονται δεδομένα, εισάγοντας τεχνολογίες όπως η τεχνητή νοημοσύνη και το υπολογιστικό νέφος στην άκρη του δικτύου. Η αυξημένη συλλογή και ανάλυση δεδομένων, ωστόσο, καθιστά την προστασία της ιδιωτικότητας και της ασφάλειας κρίσιμο ζήτημα. Η Ομοσπονδιακή Μάθηση επιτρέπει την εκπαίδευση μοντέλων μηχανικής μάθησης χωρίς τη μεταφορά των αρχικών δεδομένων, προσφέροντας ένα πρώτο επίπεδο προστασίας. Ωστόσο, τα δεδομένα μπορούν ακόμη να διαρρεύσουν μέσω των ενημερώσεων των μοντέλων. Η Ομομορφική Κρυπτογράφηση δίνει τη δυνατότητα εκτέλεσης υπολογισμών πάνω σε κρυπτογραφημένα δεδομένα, χωρίς αποκρυπτογράφηση. Ο συνδυασμός των δύο μεθόδων οδηγεί στην Ομομορφική Ομοσπονδιακή Μάθηση, μια τεχνική που παρέχει ισχυρή προστασία ιδιωτικότητας, ακόμη και απέναντι σε μη αξιόπιστους εξυπηρετητές. Η παρούσα διπλωματική εργασία στοχεύει στη σχεδίαση και αξιολόγηση μιας ασφουλούς και αποδοτικής αρχιτεκτονικής Ομομορφικής Ομοσπονδιακής Μάθησης, κατάλληλης για τα περιβάλλοντα των μελλοντικών δικτύων έκτης γενιάς. Μέσω υλοποίησης πρωτοτύπου και συγκριτικής αξιολόγησης με άλλες προσεγγίσεις, επιδιώκεται η διερεύνηση του συμβιβασμού μεταξύ ασφάλειας, απόδοσης και κλιμακωσιμότητας, με στόχο την πρακτική εφαρμογή της Ομομορφικής Ομοσπονδιακής Μάθησης σε πραγματικά σενάρια.","The sixth generation of wireless networks is expected to bring fundamental changes to the way devices communicate and share data, introducing technologies such as artificial intelligence and edge computing. However, the increased collection and analysis of data makes privacy and security protection a critical issue. Federated Learning enables the training of machine learning models without transferring the original data, offering an initial level of protection. However, information can still leak through model updates. Homomorphic Encryption enables computations to be performed directly on encrypted data, without decryption. The combination of these two methods leads to Homomorphic Federated Learning, a technique that provides strong privacy protection, even against untrusted servers. This thesis aims to design and evaluate a secure and efficient Homomorphic Federated Learning architecture suitable for future sixth-generation network environments. Through prototype implementation and comparative evaluation with other approaches, the work investigates the trade-off between security, performance, and scalability, with the goal of enabling the practical application of Homomorphic Federated Learning in real-world scenarios."]},{"key":"dc:title","label":"Title","values":["Homomorphic Federated Learning Architectures for Intelligent 6G Networks"]}]}],"canonical_facts":{"dc:creator":["ΜΠΟΥΖΑΛΑΣ ΔΗΜΗΤΡΙΟΣ","MPOUZALAS DIMITRIOS"],"dc:date":["2026"],"dc:description":["Η έκτη γενιά ασύρματων δικτύων αναμένεται να φέρει θεμελιώδεις αλλαγές στον τρόπο που οι συσκευές επικοινωνούν και μοιράζονται δεδομένα, εισάγοντας τεχνολογίες όπως η τεχνητή νοημοσύνη και το υπολογιστικό νέφος στην άκρη του δικτύου. Η αυξημένη συλλογή και ανάλυση δεδομένων, ωστόσο, καθιστά την προστασία της ιδιωτικότητας και της ασφάλειας κρίσιμο ζήτημα. Η Ομοσπονδιακή Μάθηση επιτρέπει την εκπαίδευση μοντέλων μηχανικής μάθησης χωρίς τη μεταφορά των αρχικών δεδομένων, προσφέροντας ένα πρώτο επίπεδο προστασίας. Ωστόσο, τα δεδομένα μπορούν ακόμη να διαρρεύσουν μέσω των ενημερώσεων των μοντέλων. Η Ομομορφική Κρυπτογράφηση δίνει τη δυνατότητα εκτέλεσης υπολογισμών πάνω σε κρυπτογραφημένα δεδομένα, χωρίς αποκρυπτογράφηση. Ο συνδυασμός των δύο μεθόδων οδηγεί στην Ομομορφική Ομοσπονδιακή Μάθηση, μια τεχνική που παρέχει ισχυρή προστασία ιδιωτικότητας, ακόμη και απέναντι σε μη αξιόπιστους εξυπηρετητές. Η παρούσα διπλωματική εργασία στοχεύει στη σχεδίαση και αξιολόγηση μιας ασφουλούς και αποδοτικής αρχιτεκτονικής Ομομορφικής Ομοσπονδιακής Μάθησης, κατάλληλης για τα περιβάλλοντα των μελλοντικών δικτύων έκτης γενιάς. Μέσω υλοποίησης πρωτοτύπου και συγκριτικής αξιολόγησης με άλλες προσεγγίσεις, επιδιώκεται η διερεύνηση του συμβιβασμού μεταξύ ασφάλειας, απόδοσης και κλιμακωσιμότητας, με στόχο την πρακτική εφαρμογή της Ομομορφικής Ομοσπονδιακής Μάθησης σε πραγματικά σενάρια.","The sixth generation of wireless networks is expected to bring fundamental changes to the way devices communicate and share data, introducing technologies such as artificial intelligence and edge computing. However, the increased collection and analysis of data makes privacy and security protection a critical issue. Federated Learning enables the training of machine learning models without transferring the original data, offering an initial level of protection. However, information can still leak through model updates. Homomorphic Encryption enables computations to be performed directly on encrypted data, without decryption. The combination of these two methods leads to Homomorphic Federated Learning, a technique that provides strong privacy protection, even against untrusted servers. This thesis aims to design and evaluate a secure and efficient Homomorphic Federated Learning architecture suitable for future sixth-generation network environments. Through prototype implementation and comparative evaluation with other approaches, the work investigates the trade-off between security, performance, and scalability, with the goal of enabling the practical application of Homomorphic Federated Learning in real-world scenarios."],"dc:identifier":["uoadl:5424672","https://pergamos.lib.uoa.gr/uoa/dl/object/5424672"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Homomorphic Federated Learning Architectures for Intelligent 6G Networks"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-08-21T16:41:56Z"}