Please use this identifier to cite or link to this item:
http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18755
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.author | ΜΠΑΖΩΤΗΣ, ΝΙΚΟΛΑΟΣ | - |
dc.date.accessioned | 2023-07-21T07:32:59Z | - |
dc.date.available | 2023-07-21T07:32:59Z | - |
dc.date.issued | 2023 | - |
dc.identifier.uri | http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18755 | - |
dc.description.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. | en_US |
dc.language | en | en_US |
dc.subject | Νευρωνικά Δίκτυα | en_US |
dc.subject | Μηχανική Μάθηση | en_US |
dc.subject | Βαθιά Μάθηση | en_US |
dc.subject | Σύστημα Ανίχνευσης Διείσδυσης | en_US |
dc.subject | Σύστημα Πρόληψης Διείσδυσης | en_US |
dc.subject | Επιθέσεις Zero-day | en_US |
dc.subject | Δίκτυο | en_US |
dc.subject | Κυβερνοασφάλεια | en_US |
dc.title | Ανίχνευση Ανωμαλιών Zero-day με Χρήση AutoEncoders | en_US |
dc.description.pages | 126 | en_US |
dc.contributor.supervisor | Μάγκλαρης Βασίλειος | en_US |
dc.department | Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής | en_US |
dc.description.notes | Ανίχνευση Ανωμαλιών Zero-day με Χρήση AutoEncoders, Μη επιβλεπώμενη μάθηση, χρήση Denoising AutoEncoders και Variational Autoencoders | en_US |
Appears in Collections: | Διπλωματικές Εργασίες - Theses |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Thesis__Nikos_Bazotis.pdf | Το κείμενο είναι στα αγγλικά | 4.74 MB | Adobe PDF | View/Open |
Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.