Σύστημα ανίχνευσης εισβολής με μηχανική μάθηση και νευρωνικά δίκτυα

Κατσαρός, Περικλής; Katsaros, Periklis

dc.contributor.author	Κατσαρός, Περικλής	el
dc.contributor.author	Katsaros, Periklis	en
dc.date.accessioned	2023-09-06T08:42:57Z
dc.date.available	2023-09-06T08:42:57Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58023
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.25720
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	Intrusion detection system	en
dc.subject	Μηχανική μάθηση	el
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Σύνολα δεδομένων	el
dc.subject	Machine learning	en
dc.subject	Artificial intelligence	en
dc.subject	Datasets	en
dc.subject	scikit-learn	en
dc.subject	PyTorch	en
dc.title	Σύστημα ανίχνευσης εισβολής με μηχανική μάθηση και νευρωνικά δίκτυα	el
heal.type	bachelorThesis
heal.classification	Ασφάλεια δικτύων υπολογιστών	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-06-20
heal.abstract	Με την παρούσα διπλωματική εργασία είχα την ευκαιρία να μελετήσω την ανάπτυξη ενός Συστήματος Ανίχνευσης Εισβολής ή IDS (Intrusion Detection System), υλοποιημένου με χρήση Μηχανικής Μάθησης (Machine Learning, ML). Στο πλαίσιο αυτό αρχικά περιγράφεται η θεωρία της Μηχανικής Μάθησης, η προεπεξεργασία των δεδομένων και οι αλγόριθμοι που χρησιμοποιούνται. Ύστερα, αναλύονται τα είδη των IDS με τις διαφορετικές φιλοσοφίες υλοποίησης τους, με έμφαση στις δυνατότητες αξιοποίησης της Μηχανικής Μάθησης. Κατόπιν αυτού, παρουσιάζονται τα πιο ευρέως διαδεδομένα σύνολα δεδομένων που χρησιμοποιούνται για την ανάπτυξη IDS μαζί με αντιπροσωπευτικές έρευνες πάνω σε αυτά. Στην συνέχεια της εργασίας παρουσιάζεται ο σχεδιασμός του συστήματος που υλοποιήθηκε και αφορά την περιγραφή διαφορετικών μοντέλων για την μεταξύ τους σύγκριση, την προεπεξεργασία των δεδομένων και την διαδικασία παραμετροποίησης των συστημάτων. Ακολούθως παρουσιάζονται τα αποτελέσματα της έρευνας πάνω σε δεδομένα προερχόμενα απ’ τα ίδια σύνολα δεδομένων επί των οποίων έγινε η εκπαίδευση, καθώς και επί πραγματικών ροών δεδομένων, μαζί με σχολιασμό για τα συμπεράσματα που μπορούν να προκύψουν από αυτά. Τέλος, η εργασία ολοκληρώνεται με την σύνοψη ενώ στο παράρτημα περιλαμβάνονται επιλεγμένα τμήματα κώδικα και γίνεται μία περεταίρω ανάλυση για επιμέρους θέματα μηχανικής μάθησης που ξεφεύγουν απ’ το αντικείμενο της μελέτης αλλά βοηθούν στην καλύτερη κατανόηση της εφαρμογής τους στα IDS.	el
heal.advisorName	Βαρβαρίγου, Θεοδώρα	el
heal.committeeMemberName	Βαρβαρίγου, Θεοδώρα	el
heal.committeeMemberName	Βαρβαρίγος, Εμμανουήλ	el
heal.committeeMemberName	Παπαβασιλείου, Συμεών	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	143 σ.	el
heal.fullTextAvailability	false