Χρήση federated learning για τη συνεργατική ανίχνευση δικτυακών απειλών με υβριδικό μοντέλο βαθιάς μάθησης

Μπίμπας, Ηλίας; Bimpas, Ilias

dc.contributor.author	Μπίμπας, Ηλίας	el
dc.contributor.author	Bimpas, Ilias	en
dc.date.accessioned	2022-11-03T10:29:47Z
dc.date.available	2022-11-03T10:29:47Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56074
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23772
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-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
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	Σύστημα ανίχνευσης εισβολής	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Υβριδικό μοντέλο	el
dc.subject	Ομοσπονδιακή μάθηση	el
dc.subject	Μη ανεξάρτητα και ταυτόσημα κατανεμημένα δεδομένα	el
dc.subject	Intrusion detection system	en
dc.subject	Deep learning	en
dc.subject	Hybrid model	en
dc.subject	Federated learning	en
dc.subject	Non-i.i.d. data	en
dc.title	Χρήση federated learning για τη συνεργατική ανίχνευση δικτυακών απειλών με υβριδικό μοντέλο βαθιάς μάθησης	el
dc.title	Using federated learning for the cooperative detection of network threats with a hybrid deep learning model	en
heal.type	masterThesis
heal.classification	Βαθιά μηχανική μάθηση	el
heal.classification	Ομοσπονδιακή μάθηση	el
heal.classification	Ασφάλεια δικτύων	el
heal.classification	Deep machine learning	en
heal.classification	Federated learning	en
heal.classification	Network security	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-07-14
heal.abstract	Η συνεχής ανάπτυξη των δικτύων υπολογιστικών συστηµάτων συνοδεύεται από την ανάδειξη νέων απειλών για την ασφαλή λειτουργία τους. Σε αυτό το πλαίσιο, τα συστήµατα ανίχνευσης εισβολής έχουν σηµαντικό ϱόλο στην καταπολέµηση των απειλών και την προστασία των συστηµάτων που διασυνδέονται. Η πρόοδος στον τοµέα της ϐαθιάς µάθησης οδήγησε το ερευνητικό ενδιαφέρον στην µελέτη χρήσης της για την δηµιουργία αξιόπιστων συστηµάτων ανίχνευσης εισβολής. Αυτά τα συστήµατα ασφαλείας χρειάζονται συχνά σηµαντικό όγκο δεδοµένων για να εκπαιδευτούν, όµως ο διαµοιρασµός δεδοµένων και η αξιοποίηση τους ενέχει προκλήσεις για την διασφάλιση της ιδιωτικότητας. Αυτό επιχειρεί να αντιµετωπίσει η εφαρµογή federated learning στα πλαίσια ανάπτυξης συστηµάτων ανίχνευσης εισβολής. Η συγκεκριµένη τεχνική µάθησης προσφέρει ένα περιβάλλον εκπαίδευσης µοντέλων ϐαθιάς µάθησης, στο οποίο οι συµµετέχοντες συνεργάζονται για την εκπαίδευση ενός κοινού µοντέλου, χωρίς ωστόσο να µοιράζονται τα πιθανώς ευαίσθητα δεδοµένα εκπαίδευσης που διαθέτουν. Στην παρούσα διπλωµατική εργασία, σχεδιάζεται αρχικά ένα υβριδικό µοντέλο ϐαθιάς µάθησης για την χρήση του ως σύστηµα ανίχνευσης εισβολής, που αξιοποιεί τόσο επισηµασµένα όσο και µη επισηµασµένα δεδοµένα, τα οποία απαντώνται πιο συχνά στην πράξη. Στην συνέχεια, υλοποιείται αρχιτεκτονική federated learning για την συνεργατική εκπαίδευσή του. Στόχος είναι η παρουσίαση των πλεονεκτηµάτων της χρήσης federated learning, στα πλαίσια εκπαίδευσης σύνθετων δικτύων για συστήµατα ανίχνευσης εισβολής, και της ανάδειξης του γεγονότος ότι µπορεί να προστατευτεί η ιδιωτικότητα των συνεργαζόµενων υποσυστηµάτων χωρίς σηµαντική µείωση στην επίδοση του µοντέλου που προκύπτει. Η αξιολόγηση του συνεργατικού µοντέλου πραγµατοποιείται ως προς την ανίχνευση εισβολής αλλά και ως προς την ταξινόµηση των απειλών που εντοπίζονται. Ακόµα, εξετάζεται η συµπεριφορά αυτού του µοντέλου κατά την εκπαίδευση, καθώς και η επίδοσή του όταν τα δεδοµένα που χρησιµοποιούνται δεν ικανοποιούν την i.i.d. υπόθεση. Τα αποτελέσµατα των πειραµάτων δείχνουν πως το συνεργατικό µοντέλο παραµένει αξιόπιστο όταν εκπαιδεύεται στα πλαίσια federated learning, ενώ η επίδοση του είναι ανώτερη από αυτήν όµοιων µοντέλων που εκπαιδεύονται ατοµικά, όταν δεν ικανοποιείται η i.i.d. υπόθεση για τα δεδοµένα.	el
heal.abstract	The continuous development of computer networks is followed by the emergence of new threats to their secure operation. In this context, intrusion detection systems have a vital role in the mitigation of such threats and the protection of the connected systems. The advances in deep learning led the scientific community to study its use for reliable intrusion detection systems. These security systems usually rely on a significant amount of data for their training. However, data handling and sharing pose a significant risk to privacy. Federated learning attempts to face this challenge in the context of intrusion detection systems. This learning technique provides an environment for training deep learning models, without the need for the cooperating participants to share their sensitive training data. In this diploma thesis, a baseline hybrid model is initially designed for its use in intrusion detection, that utilizes both labeled and unlabeled data, that are usually more available. Afterwards, a federated learning architecture is implemented for the cooperative training of the hybrid model. The goal is to demonstrate the advantages of using federated learning for training deep networks to be used as intrusion detection systems, and to show that the privacy of the participants can be protected with minimal impact on the model’s performance. The evaluation of the cooperative model targets both intrusion detection and threat classification. The behavior of the model is examined, as well as its performance when the data used for training do not satisfy the i.i.d. assumption. From the experiments, it is demonstrated that the federated learning model remains reliable, while outperforming the same standalone models when they are trained with non-i.i.d. data whose distribution varies.	en
heal.advisorName	Μάγκλαρης, Βασίλειος	el
heal.committeeMemberName	Μάγκλαρης, Βασίλειος	el
heal.committeeMemberName	Συκάς, Ευστάθιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	101 σ.	el
heal.fullTextAvailability	false