Ανίχνευση phishing URLs με χρήση μηχανικής μάθησης

Ρούσσης, Δημήτριος; Σουλιώτης, Παναγιώτης; Roussis, Dimitrios; Souliotis, Panagiotis

dc.contributor.author	Ρούσσης, Δημήτριος	el
dc.contributor.author	Σουλιώτης, Παναγιώτης	el
dc.contributor.author	Roussis, Dimitrios	en
dc.contributor.author	Souliotis, Panagiotis	en
dc.date.accessioned	2021-07-13T17:15:11Z
dc.date.available	2021-07-13T17:15:11Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53614
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21312
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Aνίχνευση	el
dc.subject	Phishing	en
dc.subject	Url	en
dc.subject	Mηχανική μάθηση	el
dc.subject	Convolutional neural networks	en
dc.subject	Voting scheme	en
dc.subject	Web application	en
dc.subject	Eνίσχυση κλίσης	el
dc.subject	Tυχαία δάση	el
dc.subject	Nευρωνικά δίκτυα	el
dc.subject	K-nearest neighbors	en
dc.subject	Multi-layer perceptron	en
dc.subject	Bαθιά μάθηση	el
dc.subject	Eπιβλεπόμενη μάθηση	el
dc.title	Ανίχνευση phishing URLs με χρήση μηχανικής μάθησης	el
dc.title	Phishing URLs Detection using Machine Learning	en
dc.contributor.department	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Κυβερνοασφάλεια	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-06-24
heal.abstract	Ο σκοπός της παρούσας διπλωματικής εργασίας είναι η μελέτη του φαινομένου του Phishing με χρήση Μηχανικής Μάθησης. Αρχικά, συλλέγουμε ενεργά URLs από διάφορες ανοιχτές πηγές, από τα οποία εξάγουμε τα χαρακτηριστικά που τα περιγράφουν. Με τον τρόπο αυτό δημιουργούμε το σύνολο δεδομένων που θα χρησιμοποιηθεί για την εκπαίδευση και την αξιολόγηση της ικανότητας διαφόρων αλγορίθμων επιβλεπόμενης μηχανικής μάθησης και αρχιτεκτονικών βαθιάς μάθησης, να διακρίνουν τα legitimate URLs από τα phishing. Κατόπιν, τα μοντέλα μηχανικής μάθησης που θεωρούνται κατάλληλα για την επίλυση του προβλήματος (Αλγόριθμος k-Κοντινότερων Γειτόνων, Πολυστρωματικό Perceptron, Τυχαία Δάση, Ενίσχυση Κλίσης, Συνελικτικά Νευρωνικά Δίκτυα), δίνουν προβλέψεις για την ταξινόμηση οποιουδήποτε URL. Η ανάπτυξη ενός επιτυχημένου σχήματος ψηφοφορίας συνδυάζει τις επιμέρους προβλέψεις προσφέροντας μια ολοκληρωμένη τελική πρόβλεψη. Τέλος, δημιουργούμε μια διαδικτυακή εφαρμογή που ενσωματώνει το σύστημα πρόβλεψης, ανιχνεύοντας αν το URL που εισάγει ο χρήστης είναι phishing.	el
heal.abstract	The objective of the current diploma thesis is the research of the Phishing phenomenon using Machine Learning. First, we collect active URLs from various open sources and we extract the characteristics that describe them, in order to create the dataset that will be used to train and evaluate the ability of different machine learning algorithms and architectures of deep learning to classify correctly legitimate and phishing URLs. Next, the machine learning models, that are suitable for the problem (k-Nearest Neighbors, Multi-Layer Perceptron, Random Forest, Gradient Boosting, Convolutional Neural Networks), give predictions about the classification of any URL given. The development of a successful voting scheme offers a complete final estimation. Finally, we create a web application which integrates the prediction system and detects if the URL given by the user is phishing.	en
heal.advisorName	Σταφυλοπάτης, Ανδρέας Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	96 σ.	el
heal.fullTextAvailability	false