Ανίχνευση επιθέσεων άρνησης εξυπηρέτησης με χρήση συστημάτων Hierarchical Temporal Memory

Στούμπος, Εμμανουήλ; Stoumpos, Emmanouil

dc.contributor.author	Στούμπος, Εμμανουήλ	el
dc.contributor.author	Stoumpos, Emmanouil	en
dc.date.accessioned	2021-06-03T10:28:22Z
dc.date.available	2021-06-03T10:28:22Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53544
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21242
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Ασφάλεια δικτύων	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Αναδρομικά νευρωνικά δίκτυα	el
dc.subject	Αυτοκωδικοποιητές	el
dc.subject	Συστήματα Hierarchical Temporal Memory	el
dc.subject	Επιθέσεις DDoS	el
dc.subject	Machine learning	en
dc.subject	Network security	en
dc.subject	Artificial neural networks	en
dc.subject	Recurrent neural networks	en
dc.subject	Autoencoders	en
dc.subject	Hierarchical Temporal Memory systems	en
dc.subject	DDoS attacks	en
dc.title	Ανίχνευση επιθέσεων άρνησης εξυπηρέτησης με χρήση συστημάτων Hierarchical Temporal Memory	el
dc.title	Detection of Denial-of-Service Attacks using Hierarchical Temporal Memory Systems	en
heal.type	masterThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Machine learning	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-04-27
heal.abstract	η ασφάλεια δικτύων παραμένει έως και σήμερα μία από τις σημαντικότερες περιοχές έρευνας στον κλάδο της πληροφορικής. από απλοί χρήστες ως και παγκόσμιοι οργανισμοί, όλοι τους μπορούν να αποτελέσουν θύματα διαδικτυακών επιθέσεων, υποκλέπτοντας προσωπικές τους πληροφορίες και βλάπτοντας το όνομά τους στον χώρο. μολονότι υπάρχει ήδη ένα ευρύ φάσμα εργαλείων τα οποία βρίσκουν εφαρμογή στην αντιμετώπιση αυτού του είδους επιθέσεων, νέες τεχνικές συνεχίζουν να αξιοποιούνται καθημερινά ως προς την αποτελεσματική λύση του προβλήματος. την τελευταία δεκαετία έχει παρατηρηθεί η άνθιση της περιοχής της μηχανικής μάθησης, ένα σύνολο αλγορίθμων οι οποίοι μέσω της εκπαίδευσής τους είναι ικανοί να ανακαλύπτουν υποβόσκοντα μοτίβα μεταξύ τεράστιων όγκων δεδομένων, τα οποία μπορούμε μετέπειτα να εκμεταλλευτούμε προς όφελός μας. η εργασία αυτή ερευνά κατά πόσο είναι εφικτή η χρήση αυτών των αλγορίθμων με σκοπό την ανίχνευση ενός συγκεκριμένου τύπου διαδικτυακών επιθέσεων, γνωστές και ως κατανεμημένες επιθέσεις άρνησης εξυπηρέτησης. πιο συγκεκριμένα, ως προς την επίτευξη αυτού του σκοπού αξιοποιούμε τα τεχνητά νευρωνικά δίκτυα, ένα αρκετά διαδεδομένο σύνολο αλγορίθμων μηχανικής μάθησης, καθώς και τα συστήματα hierarchical temporal memory, ένα σχετικά νέο αλλά πολλά υποσχόμενο μοντέλο εμπνευσμένο από τον νεοφλοιό, ένα σημαντικό τμήμα του ανθρώπινου εγκεφάλου, υπεύθυνο για ένα πλήθος βασικών λειτουργιών. μέσω διάφορων μεθόδων εφαρμογής των παραπάνω μοντέλων επιχειρούμε συνεπώς να αντιμετωπίσουμε το πρόβλημα της ανίχνευσης της κακόβουλης δικτυακής κυκλοφορίας, ενώ παράλληλα εστιάζουμε την προσοχή μας στη μελέτη και στην κατανόηση της λειτουργίας των συστημάτων hierarchical temporal memory.	el
heal.abstract	network security remains to this day an extremely important field of study in informatics. from everyday users to global organizations, each and every one of them can fall victim to cyber attacks, stealing their personal information and damaging their reputation in the process. while there already exists a wide range of tools used to combat this type of attacks, brand new techniques are being applied every day in order to effectively solve the problem. the last decade has seen the flourishing of machine learning, a set of algorithms capable of being trained so that they are able to successfully discover underlying patterns in enormous chunks of data, which can then be used to our advantage. throughout this work we invistigate the extend to which these algorithms are capable of being used in order to identify a certain type of cyber attacks, namely distributed denial-of-service attacks. more specifically, we deploy artificial neural networks, a well known set of various algorithms in machine learning, as well as hierarchical temporal memory systems, a relatively new but promising model inspired by the neocortex, an important part of the human brain, responsible for a multitude of basic functions. through implementing said models in a number of ways we therefore attempt to successfully detect malicious network traffic, while also focusing our attention on the study and understanding of hierarchical temporal memory systems.	en
heal.advisorName	Μάγκλαρης, Βασίλειος	el
heal.committeeMemberName	Μάγκλαρης, Βασίλειος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Συκάς, Ευστάθιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	115 σ.	el
heal.fullTextAvailability	false