Ανίχνευση Ανωμαλιών Zero-day με Χρήση AutoEncoders

Abstract

Οι επιθέσεις Zero-day έχουν γίνει ολοένα και πιο εξελιγμένες τα τελευταία χρόνια, αποτελώντας σημαντική απειλή τόσο για επιχειρήσεις όσο και για ιδιώτες. Η επικινδυ- νότητα αυτών των επιθέσεων βρίσκεται στην εκμετάλλευση αγνώστων ευπαθειών στο λογισμικό ή το υλικό, κάτι που καθιστά τα παραδοσιακά μέτρα ασφάλειας συχνά αναπο- τελεσματικά. Ως αποτέλεσμα, οι οργανισμοί είναι ευάλωτοι σε παραβιάσεις δεδομένων, οικονομικές απώλειες και ζημία στην υπόληψη τους. Ανταποκρινόμενοι σε αυτή την αυξανόμενη απειλή, οι ερευνητές και οι επαγγελ- ματίες της κυβερνοασφάλειας στρέφονται προς τις τεχνικές του δεεπ λεαρνινγ όπως τα AutoEncoders. Ειδικότερα, το επίκεντρο βρίσκεται στη μη επιβλεπόμενη μάθηση, η οποία βασίζεται σε μη επισημασμένα δεδομένα. Αυτή η προσέγγιση παρακάμπτει τις προκλήσεις και τις πιθανές ανακρίβειες που συνδέονται με την επισήμανση των δε- δομένων, προσφέροντας έτσι μια πιο αποτελεσματική μηχανισμό άμυνας ενάντια στις επιθέσεις Zero-day. Αυτή η διπλωματική εργασία έχει ως στόχο την υλοποίηση ενός Συστήματος Α- νίχνευσης Απειλών Δικτύου χρησιμοποιώντας AutoEncoders, με στόχο την πρόωρη ανίχνευση των επιθέσεων Zero-day προτού οι χάκερς προβούν σε κάποια κακόβουλη ενέργεια. Το προτεινόμενο σύστημα θα χρησιμοποιήσει το δατασετ CICIDS 2017, ένα ευρέως αναγνωρισμένο βενςημαρκ για την αξιολόγηση των συστημάτων ανίχνευσης ει- σβολών, που περιέχει δεδομένα κίνησης δικτύου που προσομοιώνουν διάφορους τύπους επιθέσεων. Μια ουσιαστική συνιστώσα αυτής της εργασίας περιλαμβάνει πειραματισμό με δι- άφορους τύπους AutoEncoders, όπως οι Denoising AutoEncoders, οι Variational AutoEncoders( VAEs), οι Deep AutoEncoders και τα Beta VAEs. Πραγματοποιείται μια συγκριτική μελέτη μεταξύ αυτών των μοντέλων και η απόδοσή τους μετράται έναντι των επιφανειακών μοντέλων από την υπάρχουσα βιβλιογραφία, συγκεκριμένα του SVM σε αυτήν την περίπτωση. Μέσω αυτών των αυστηρών πειραματισμών και συγκρίσεων, αυτή η διατριβή στοχεύει στην προώθηση της τρέχουσας κατανόησης και εφαρμογής των τεχνικών του deep learning στην πρόληψη των επιθέσεων Zero-day.