Εύρεση ανωμαλιών - μελέτη και σύγκριση μεθόδων

Παπαμαύρος, Δημήτρης; Papamavros, Dimitris

dc.contributor.author	Παπαμαύρος, Δημήτρης	el
dc.contributor.author	Papamavros, Dimitris	en
dc.date.accessioned	2022-12-19T08:10:15Z
dc.date.available	2022-12-19T08:10:15Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56496
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24194
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 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	Εύρεση Ανωμαλιών	el
dc.subject	Μπεϋζιανή Βελτιστοποίηση	el
dc.subject	Μοντέλα Ενισχυτικής Κλίσης	el
dc.subject	Αυτοκωδικοποιητές
dc.subject	Ανίχνευση Εισβολής σε Δεδομένα Δικτύου	el
dc.title	Εύρεση ανωμαλιών - μελέτη και σύγκριση μεθόδων	el
heal.type	masterThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-10-05
heal.abstract	Στο πλαίσιο της παρούσας διπλωματικής εργασίας, μελετήθηκε η συμπεριφορά μιας πληθώρας τεχνικών, τόσο κλασσικής όσο και βαθιάς μηχανικής μάθησης, με σκοπό την Εύρεση Ανωμαλιών εστιάζοντας στην ερευνητική περιοχή της Ανίχνευσης Εισβολής σε Δεδομένα Δικτύου. Για τον σκοπό αυτό, εκπαιδεύτηκαν Μοντέλα μιας Κλάσης αλλά και Επιβλεπόμενης και Ημι-Επιβλεπόμενης μηχανικής μάθησης χρησιμοποιώντας τη συλλογή δεδομένων CSECIC-IDS2018. Σε αυτά τα πλαίσια τα μοντέλα επιβλεπόμενης μάθησης κατάφεραν να επιτύχουν ϐέλτιστα αποτελέσματα με το επιλεγέν μοντέλο να παρουσιάζει στο σύνολο ελέγχου Ακρίβεια, Average Precision και ROC-AUC ίσα με 98.65%, 98.44% και 99.28% αντίστοιχα. Πρώτο βήμα αποτέλεσε η εκπαίδευση Μοντέλων μιας Κλάσης βασισμένα αποκλειστικά στις ϕυσιολογικές παρατηρήσεις με σκοπό την ταυτοποίηση επιθέσεων. Σε αυτό το σημείο ιδιαίτερη σημασία δόθηκε στην εκπαίδευση διαφόρων αρχιτεκτονικών για Αυτοκωδικοποιητές (Undercomplete AE, Stacked AE, Sparse AE, Denoising AE). Η εκπαίδευση των Αυτοκωδικοποιήτων έλαβε χώρα με σκοπό την εκμάθηση χρήσιμων απεικονίσεων στο λανθάνων χώρο για τη κλάση των ϕυσιολογικών παρατηρήσεων. Ως αποτέλεσμα κατέστη εφικτή η αναγνώριση ανωμαλιών αξιοποιώντας το υψηλό παρατηρηθέν σφάλμα ανακατασκευής. Στη συνέχεια, χρησιμοποιήθηκαν Μοντέλα Ενισχυτικής Κλίσης (XGBoost, LightGBM, CatBoost) συνδυάζοντάς Μάθηση με Ευαισθησία στο Κόστος και Τεχνικές Επαύξησης Δεδομένων στα πλαίσια της Μάθησης με Μη Ισορροπημένα Δεδομένα. Συγκεκριμένα, χρησιμοποιήθηκε η τεχνική SMOTE καθώς και η χρήση ενός Παραγωγικού Ανταγωνιστικού Δικτύου (CTGAN) με σκοπό τη παραγωγή συνθετικών παρατηρήσεων. Επιπλέον, στα πλαίσια των πειραμάτων, επιλέχθηκε η χρήση ενός Αυτοκωδικοποιητή με σκοπό τον εμπλουτισμό του συνόλου δεδομένων με το διάνυσμα του σφάλματος ανακατασκευής. Για το καθορισμό των ϐέλτιστων υπερπαραμέτρων των μοντέλων Επιβλεπόμενης και Ημι-Επιβλεπόμενης Μάθησης επιλέχθηκε η χρήση Μπεϋζιανής Βελτιστοποίησης. Τέλος, το επιλεγέν μοντέλο αξιολογήθηκε και στο σύνολο δεδομένων CIC-IDS2017. Η συγκεκριμένη συλλογή αποτελείται από παρόμοιου τύπου επιθέσεις με σημαντικά διαφοϱετική κατανομή. Με αυτόν το τρόπο καταφέραμε να εξάγουμε χρήσιμα συμπεράσματα σχετικά με προβλήματα μετατόπισης θεματικής (concept drift).	el
heal.advisorName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	113 σ.	el
heal.fullTextAvailability	false