Σχεδιασμός, υλοποίηση και αξιολόγηση κατάλληλων Συνελικτικών Νευρωνικών Δικτύων και Vision Transformer για την ανίχνευση λογισμικού

Abstract

Η παρούσα διπλωματική εργασία συγκρίνει και εξετάζει την αποτελεσματικότητα δύο σύγχρονων αρχιτεκτονικών νευρωνικών δικτύων — των Συνελικτικών Νευρωνικών Δικτύων (CNN) και των (Vision Transformers, ViT) — στην ανίχνευση κακόβουλου λογισμικού. Η πειραματική αξιολόγηση πραγματοποιήθηκε σε τρία σύνολα δεδομένων διαφορετικού μεγέθους, με έμφαση στη σύγκριση της ακρίβειας, της ανάκλησης, του F1 score και της απώλειας. Τα αποτελέσματα αναδεικνύουν ότι τα προηγμένα μοντέλα ResNet-18,ViT-B/8 επιτυγχάνουν υψηλή απόδοση ακόμη και με περιορισμένα δεδομένα, ενώ η ενσωμάτωση τεχνικών αυτόματων κωδικοποιητών(autoencoders) για την μείωση των διαστάσεων των εικόνων βελτιώνει τις επιδόσεις των αρχιτεκτονικών. Επιπλέον, αξιολογείται η ανθεκτικότητα των μοντέλων απέναντι σε adversarial επιθέσεις, υποδεικνύοντας αδυναμίες αλλά και την ανάγκη για στρατηγικές ενίσχυσης της ασφάλειας. Τέλος, εφαρμόστηκε ensemble μοντέλο το οποίο συνδυάζει CNN και ViT αρχιτεκτονικές, επιτυγχάνοντας βελτιστοποιημένα αποτελέσματα. Η μελέτη αυτή έχει ως στόχο να συμβάλει στην κατανόηση των πλεονεκτημάτων, περιορισμών και προοπτικών των σύγχρονων μεθόδων μηχανικής μάθησης για εφαρμογές στην κυβερνοασφάλεια.