Χρήση τεχνικών επιβλεπόμενης μηχανικής μάθησης για ανίχνευση ανωμαλιών κίνησης δικτύου

Τζιαπούρας, Αριστείδης; Tziapouras, Aristeidis

dc.contributor.author	Τζιαπούρας, Αριστείδης	el
dc.contributor.author	Tziapouras, Aristeidis	en
dc.date.accessioned	2025-01-07T11:24:40Z
dc.date.available	2025-01-07T11:24:40Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60624
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28320
dc.rights	Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-sa/3.0/gr/	*
dc.subject	Δίκτυα Υπολογιστών	el
dc.subject	Πακέτα Πληροφοριών	el
dc.subject	Ανίχνευση Ανωμαλιών	el
dc.subject	Anomaly Detection	en
dc.subject	Machine Learning	en
dc.subject	Μηχανική Μάθηση	el
dc.subject	Επιβλεπόμενη Μάθηση	el
dc.subject	Προεπεξεργασια Δεδομένων	el
dc.subject	Υπερπαραμέτροι	el
dc.subject	Μείωση Διαστάσεων Χαρακτηριστικών	el
dc.subject	Supervised Learning	en
dc.subject	Voting Classifier	en
dc.subject	Feature Reduction	en
dc.title	Χρήση τεχνικών επιβλεπόμενης μηχανικής μάθησης για ανίχνευση ανωμαλιών κίνησης δικτύου	el
heal.type	bachelorThesis
heal.classification	Electrical Engineering	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-12
heal.abstract	Η Μηχανική Μάθηση αποτελεί ένα από τους πιο επίκαιρους κλάδους στον οποίο η επιστημονική κοινότητα δίνει ιδιαίτερη έμφαση τα τελευταία χρόνια. Ο λόγος που γίνεται είναι κυρίως εξαιτίας της προοπτικής που παρουσιάζει η εφαρμογή τεχνικών Μηχανικής Μάθησης για επίλυση προβλημάτων που ανήκουν σε διαφορετικούς ερευνητικούς τομείς. Ταυτόχρονα, η ραγδαία εξέλιξη στην ταχύτητα μετάδοσης των δεδομένων αύξησε σημαντικά τον όγκο πληροφορίας και τον αριθμό των πακέτων σε ένα δίκτυο. Ως αποτέλεσμα, αυξάνεται ο κίνδυνος σχετικά με την ασφάλεια του δικτύου καθώς οι παραδοσιακές τεχνικές ανίχνευσης ανωμαλιών και επιθέσεων δεν είναι σε θέση να ελέγχουν αποδοτικά όλο αυτό τον όγκο των δεδομένων.Η παρούσα διπλωματική εργασία αποτελεί μια μελέτη στην οποία συνδυάζονται τεχνολογίες Μηχανικής Μάθησης μαζί με κίνηση πακέτων σε δίκτυο με στόχο την ανάπτυξη μοντέλων για την προστασία του δικτύου, τα οποία θα ανιχνεύουν αποδοτικά ύποπτα πακέτα που αποτελούν δείγμα επίθεσης στο δίκτυο. Μέσα από μια σειρά πειραματικών διαδικασιών, στόχος είναι ο εντοπισμός του ιδανικότερου μοντέλου αλλά και η διερεύνηση και ανάπτυξη μοντέλων μέσω διαφορετικών προσεγγίσεων έτσι ώστε να υπάρξει μια πληθώρα επιλογών ανάλογα με τις ανάγκες του συστήματος. Τα πειράματα έχουν υλοποιηθεί και βασιστεί κυρίως πάνω σε τεχνικές Επιβλεπόμενης Μηχανικής Μάθησης.	el
heal.abstract	Machine Learning is one of the most discussed topics to which the scientific community has given special emphasis in recent years. The main reason is because of the potential presented by the application of Machine Learning techniques to solve problems belonging to different research fields. At the same time, the rapid development in data transmission speed has greatly increased the volume of information and the number of packets in a network. As a result, network security risk increases as traditional anomaly and attack detection techniques are unable to efficiently control all this volume of data. This thesis is a piece of research that combines Machine Learning technologies along with network packet traffic with the aim of developing models for network protection, which will efficiently detect suspicious packets that are can be considered as a network attack. Through a series of experimental procedures, models have been investigated and developed through different approaches so that there is a variety of model options depending on the needs of the system but also the identification of the most ideal model. The experiments have been implemented and based mostly on Supervised Machine Learning techniques.	en
heal.advisorName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Καρυώτης, Βασίλειος	el
heal.committeeMemberName	Στάη, Ελένη	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	89 σ.	el
heal.fullTextAvailability	false