http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/9119 Mon, 30 Mar 2026 17:47:03 GMT 2026-03-30T17:47:03Z http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/20113 Title: Διασφάλιση με χρήση της Στοίβας Κλήσεων της JavaScript Authors: Λίβα, Αναστασία Χριστίνα Abstract: Σκοπός της παρούσας διπλωματικής εργασίας είναι η μελέτη και ανάπτυξη μηχανισμών απομόνωσης βιβλιοθηκών τρίτων σε εφαρμογές υψηλού επιπέδου, με έμφαση στη δυναμική ανάλυση προγραμμάτων και την αυτόματη επιβολή πολιτικών ασφαλείας. Στο πλαίσιο της παρούσας εργασίας αναπτύσσεται ένα σύστημα δυναμικού μετασχηματισμού που αξιοποιεί ελαφριούς μηχανισμούς περιτύλιξης στα όρια των βιβλιοθηκών σε συνδυασμό με πληροφορία από τις στοίβες κλήσεων κατά την εκτέλεση, όπως αυτή είναι διαθέσιμη σε γλώσσες όπως Python και Node.js. Μέσα από αυτό τον μηχανισμό παράγει αυτόματα πολιτικές που περιορίζουν την πρόσβαση σε ευαίσθητες συναρτήσεις. Οι πολιτικές αυτές αξιοποιούνται κατά την εκτέλεση της εφαρμογής, μπλοκάροντας μη εξουσιοδοτημένες αποκλίσεις και προστατεύοντας τις εφαρμογές από ευπάθειες Ημέρας Μηδέν, ακόμη και πριν τη διάθεση επίσημων ενημερώσεων. Fri, 20 Mar 2026 00:00:00 GMT http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/20113 2026-03-20T00:00:00Z http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/20112 Title: Πειραματική Μελέτη Μερικών Εκκενώσεων σε Διατάξεις Υψηλών Τάσεων Authors: Σόνια Μαρία, Κοσμίδου Abstract: Η παρούσα εργασία επικεντρώνεται στη μελέτη του φαινομένου των μερικών εκκενώσεων σε μονωτικά έλαια, καθώς και στην ανάλυση των παραγόντων που επηρεάζουν την εμφάνισή τους. Οι μερικές εκκενώσεις αποτελούν σημαντικό δείκτη της κατάστασης της μόνωσης σε ηλεκτρικό εξοπλισμό υψηλής τάσης, γι’ αυτό και η κατανόηση των συνθηκών υπό τις οποίες εμφανίζονται είναι ιδιαίτερα σημαντική για την αξιολόγηση της αξιοπιστίας και της λειτουργικής ασφάλειας των συστημάτων. Στο πλαίσιο της εργασίας πραγματοποιήθηκαν πειραματικές δοκιμές σε δείγματα μονωτικών λαδιών, με σκοπό την καταγραφή και τη μελέτη της συμπεριφοράς τους όταν υποβάλλονται σε υψηλή ηλεκτρική καταπόνηση. Κατά τη διάρκεια των πειραμάτων εφαρμόστηκε σταδιακά αυξανόμενη τάση στα δοκίμια και πραγματοποιήθηκε καταγραφή των μετρήσεων που σχετίζονται με τη δραστηριότητα των μερικών εκκενώσεων. Τα δεδομένα που συλλέχθηκαν αναλύθηκαν προκειμένου να προσδιοριστούν τα χαρακτηριστικά των εκκενώσεων και να διερευνηθούν οι συνθήκες που ευνοούν την εμφάνισή τους στα μονωτικά έλαια. Fri, 20 Mar 2026 00:00:00 GMT http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/20112 2026-03-20T00:00:00Z http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/20111 Title: Unsupervised Unmixing-based Watershed Segmentation of Hyperspectral Images Authors: Λιβιτσάνος, Παύλος Abstract: This thesis is part of the extensive literature on the field of hyperspectral imaging (HSI). Hyperspectral images capture detailed spectral information for each spatial location of a scene, enabling the identification and analysis of materials based on their spectral signatures. Due to limited spatial resolution and the inherent heterogeneity of natural scenes, the spectrum observed at a single pixel often corresponds to a mixture of several constituent materials. Hyperspectral unmixing (HU) addresses this problem by decomposing pixel spectra into a set of pure spectral signatures, known as endmembers, and their associated fractional abundances. While HU provides physically interpretable representations of hyperspectral data, many image analysis tasks additionally require spatially coherent segmentation of the scene. Mathematical morphology provides a powerful theoretical and computational framework for image analysis, offering operators for filtering, denoising and segmentation. In particular, the watershed transform is widely used for producing spatially coherent segmentations. However, the extension of morphological processing to hyperspectral images remains challenging, as vector-valued data lack a natural total ordering and therefore do not directly admit the complete lattice structure required by classical morphological operators. This thesis presents a fully unsupervised hyperspectral image segmentation pipeline that couples hyperspectral unmixing with marker-guided watershed segmentation. Abundances are estimated using a regularized nonnegative matrix factorization HU scheme (SLRCNMF) or a multilinear rank-(L, L, 1) block-term decomposition (LL1-BTD)-based solver (GradPAPA-NN), then spatially regularized via opening/closing by reconstruction. Markers are obtained through either a tunable threshold or Otsu's automatic thresholding method applied on the smoothed abundance maps. Segmentation is then performed with two variants, namely either watershed on an abundance-aware gradient or a generalized multi-relief-based flooding mechanism. Experiments on Jasper Ridge, Salinas-A, Pavia University and Indian Pines datasets demonstrate coherent segmentations and competitive quantitative performance, including 100% overall accuracy and normalized mutual information on Salinas-A. To the best of our knowledge, this is the first fully unsupervised, optimization-based framework to bridge hyperspectral unmixing with mathematical morphology. Thu, 19 Mar 2026 00:00:00 GMT http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/20111 2026-03-19T00:00:00Z http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/20110 Title: Orchestrated Risk-Based Integrity Testing (ORBIT) Authors: Γκίνη, Δημητρα Abstract: Wearable healthcare devices are becoming an important part of modern IoT ecosystems, enabling continuous monitoring and personalized healthcare services. At the same time, their limited computational and energy resources make security a major challenge, especially in ensuring the integrity of embedded software. Traditional remote attestation techniques often rely on periodic full-memory verification, which can impose considerable overhead on low-power devices. To address this issue, this thesis proposes ORBIT, a policy-driven Verifier–Prover framework that dynamically adapts attestation behavior according to the runtime state of the device. The system is implemented on microcontroller-based IoT devices and supported by a server-side verifier. Runtime behavior is monitored through hardware performance counters, and lightweight machine learning models are used to detect abnormal activity and estimate workload intensity. Based on these observations, a policy engine adjusts attestation frequency and memory coverage, increasing verification rigor under suspicious conditions while reducing overhead during normal operation. In this way, the framework balances security, performance, and device availability. Evaluation under controlled attack scenarios shows that microarchitectural behavioral signals can effectively support adaptive and resource-aware integrity verification in embedded IoT systems. Tue, 10 Mar 2026 00:00:00 GMT http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/20110 2026-03-10T00:00:00Z