Ανίχνευση ανωμαλιών σε υποδομές νέφους με χρήση τεχνικών μηχανικής μάθησης.

Γαλατάς, Ελευθέριος; Galatas, Eleftherios

dc.contributor.author	Γαλατάς, Ελευθέριος	el
dc.contributor.author	Galatas, Eleftherios	en
dc.date.accessioned	2024-04-23T10:26:23Z
dc.date.available	2024-04-23T10:26:23Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59258
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26954
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Υποδομές cloud και edge	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Επιθέσεις DDoS	el
dc.subject	Ανίχνευση και αντιμετώπιση	el
dc.subject	Ανωμαλίες Συμπεριφοράς	el
dc.subject	Cloud computing	en
dc.subject	Edge computing	en
dc.subject	Security	en
dc.subject	Distributed Denial of Service (DDoS)	en
dc.subject	Machine Learning	en
dc.title	Ανίχνευση ανωμαλιών σε υποδομές νέφους με χρήση τεχνικών μηχανικής μάθησης.	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-11-01
heal.abstract	Η αυξανόμενη ανάγκη σε χρήση υποδομών cloud και edge έχει οδηγήσει σε έντονη ανησυχία για την ασφάλειά τους έναντι Επιθέσεων Κατανεμημένης Άρνησης Υπηρεσίας (DDoS). Στο πλαίσιο αυτής της διπλωματικής, προτείνουμε μια ολοκληρωμένη προσέγγιση για την ασφάλεια των υποδομών cloud και edge μέσω της χρήσης τεχνικών ανίχνευσης και αντιμετώπισης τέτοιου είδους επιθέσεων, που βασίζονται στη Μηχανική Μάθηση. Η διπλωματική διερευνά την χρήση διαφόρων αλγορίθμων ML για την ανίχνευση επιθέσεων DDoS, αναλύοντας την αποτελεσματικότητά τους στον εντοπισμό και την ταξινόμηση κακόβουλων μοτίβων διαδικτυακής κίνησης. Μέσα από εκτενείς αξιολογήσεις και συγκρίσεις απόδοσης, εντοπίζουμε τους καταλληλότερους αλγόριθμους ML για ανίχνευση DDoS σε περιβάλλοντα cloud και edge. Για την αντιμετώπιση της υπολογιστικής επιβάρυνσης στα ML μοντέλα ανίχνευσης σε περιβάλλοντα με περιορισμένους πόρους, εισάγουμε μια ιδέα για την επιτάχυνση των λειτουργιών τους, απόλυτα συμβατή με υποδομές cloud και edge. Αυτή η τεχνική συνδυάζεται σαν προέκταση, βελτιώνοντας σημαντικά την υπολογιστική πολυπλοκότητα, διατηρώντας την υψηλή απόδοση των μοντέλων ML και επιτρέποντας την ταχεία και αποτελεσματική ανίχνευση σε πραγματικό χρόνο επιθέσεων DDoS. Μέσω αξιολογήσεων και προσομοιώσεων, αποδεικνύουμε την αποτελεσματικότητα της προτεινόμενης προσέγγισης στον εντοπισμό των επιθέσεων DDoS σε υποδομές cloud και edge. Τέλος, προτείνουμε μια αρχιτεκτονική μοντέλου ML, αξιοποιώντας τεχνικές βαθιάς μάθησης, για να περαιτέρω βελτίωση της ακρίβειας ανίχνευσης DDoS. Αυτό το μοντέλο συνδυάζει εντοπισμό μοτίβων διαδικτυακής κίνησης και ανωμαλιών συμπεριφοράς, για να παρέχει μια ολοκληρωμένη εικόνα των πιθανών επιθέσεων και να ελαχιστοποιεί τα ψευδώς θετικά (False Positives). Στόχος αυτής της διπλωματικής είναι να συμβάλλει στον τομέα της ασφάλειας του cloud και edge, παρέχοντας ένα ολοκληρωμένο πλαίσιο για τον εντοπισμό και την αντιμετώπιση επιθέσεων DDoS, αξιοποιώντας τη δύναμη της Μηχανικής Μάθησης. Οι προτεινόμενες τεχνικές ακουμπούν στις θεμελιωμένες μεθόδους ασφαλείας cloud και edge, αλλά ανοίγουν επίσης το δρόμο για εξελίξεις στην προστασία κρίσιμων συστημάτων από τις απειλές στον κυβερνοχώρο.	el
heal.abstract	The increasing adoption of cloud and edge computing infrastructures has led to a growing concern for their security against Distributed Denial of Service (DDoS) attacks. In this thesis, we propose a comprehensive approach to enhance the security of cloud and edge infrastructures through the use of Machine Learning-based detection and mitigation techniques. The thesis investigates various ML algorithms for DDoS attack detection, analyzing their effectiveness in identifying and classifying malicious traffic patterns. Through extensive performance evaluations and comparisons, we identify the most suitable ML algorithms for DDoS detection in cloud and edge environments. To address the computational challenge of ML detection models in resource-constrained environments, we introduce an idea for accelerating these operations, fully compatible with cloud and edge infrastructures. This technique serves as an extension, optimizing the computational complexity while maintaining high ML model performance, enabling rapid and efficient real-time detection of DDoS attacks. Through evaluations and simulations, we demonstrate the effectiveness of the proposed approach in DDoS attack detection within cloud and edge infrastructures. Furthermore, we propose an ML model architecture leveraging deep learning techniques to further enhance the accuracy of DDoS detection. This model combines the detection of malicious traffic patterns and behavioral anomalies to provide a comprehensive view of potential attacks and minimize false positives. The objective of this thesis is to contribute to the field of cloud and edge security by providing a comprehensive framework for DDoS attack detection and mitigation, leveraging the power of Machine Learning. The proposed techniques build upon established cloud and edge security methods while paving the way for advancements in safeguarding critical systems from cyber threats.	en
heal.advisorName	Βαρβαρίγος, Εμμανουήλ	el
heal.committeeMemberName	Αβραμόπουλος, Ηρακλής	el
heal.committeeMemberName	Βαρβαρίγου, Θεοδώρα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	107 σ.	el
heal.fullTextAvailability	false