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 |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: