Η ανάλυση σύμπλεκτων (complex) δικτύων έχει λάβει τεράστια προσοχή τα τελευταία χρόνια, εξαιτίας της ανάπτυξης των online social δικτύων, και της ύπαρξης τεραστίου όγκου δεδομένων σχετικών με τεχνολογικά (Internet, Web, power grids), βιολογικά δίκτυα (αλληλεπιδράσεων πρωτεϊνών, γονιδίων, εξάπλωση ασθενειών), κ.τ.λ. Η παρούσα διατριβή εξερεύνησε το ζήτημα της διάδοσης “πληροφορίας” (φημών, ιών,…) σε σύμπλεκτα δίκτυα, καθώς και εφαρμογές των σχετικών αποτελεσμάτων σε ad hoc δίκτυα οχημάτων. Ειδικότερα, μελετήθηκε το πρόβλημα της μεγιστοποίησης διάδοσης (influence maximization), και αναπτύχθηκαν state-of-the-art αλγορίθμοι για την εύρεση των πιο ικανών διασκορπιστών πληροφορίας (influential spreaders) σε μονοεπίπεδα και πολυεπίπεδα σύμπλεκτα δίκτυα, καθώς και προσαρμογή αυτών σε πρωτόκολλα δρομολόγησης σε ad hoc δίκτυα οχημάτων (vehicular ad hoc networks). Επιπρόσθετα, μελετήθηκε το δυϊκό πρόβλημα της ελαχιστοποίησης διάδοσης “κακοήθους” (malicious) πληροφορίας σε σύμπλεκτα δίκτυα, για πρώτη φορά σε online fashion, και αναπτύχθηκε αλγόριθμος για την επιλογή των καλύτερων παρακωλυτών διάδοσης κακοήθους πληροφορίας. Κάτω από το πρίσμα των προσφάτων εξελίξεων στα self-driving cars, το προαναφερθέν πρόβλημα μελετήθηκε και για ad hoc δίκτυα οχημάτων, και αναπτύχθηκε μια τεχνική black-listing για όσα οχήματα έχουν περάσει στον έλεγχο κάποιου “adversary”. Τέλος, μελετήθηκε και γενικεύτηκε η ισχύς του “παραδόξου της φιλίας” για μια σειρά από τοπολογικά χαρακτηριστικά των κόμβων ενός δικτύου, και αναπτύχθηκαν εφαρμογές του για την μεγιστοποίηση (ελαχιστοποίηση) της διάδοσης της πληροφορίας στα σύμπλεκτα δίκτυα.
Named Data Networking in Vehicular Ad Hoc Networks: State-of-the-Art and Challenges
