Σχεδίαση αποδοτικών μοντέλων βαθιάς μάθησης για ανίχνευση εισβολών σε περιβάλλοντα IoT

Τσίννας, Νικήτας; Tsinnas, Nikitas

dc.contributor.author	Τσίννας, Νικήτας	el
dc.contributor.author	Tsinnas, Nikitas	en
dc.date.accessioned	2025-01-17T10:45:00Z
dc.date.available	2025-01-17T10:45:00Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60860
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28556
dc.rights	Default License
dc.subject	Μηχανική Μάθηση	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	Ανίχνευση Εισβολών	el
dc.subject	Συμπαγή Μοντέλα	el
dc.subject	Συσκευές Περιορισμένων Πόρων	el
dc.subject	Διαδίκτυο των Πραγμάτων	el
dc.subject	Ασφάλεια Δικτύων	el
dc.subject	Πολυστρωματικά Perceptrons	el
dc.subject	Συνελικτικά Νευρωνικά Δίκτυα	el
dc.subject	Μετασχηματιστές	el
dc.title	Σχεδίαση αποδοτικών μοντέλων βαθιάς μάθησης για ανίχνευση εισβολών σε περιβάλλοντα IoT	el
heal.type	bachelorThesis
heal.classification	Βαθιά Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-12
heal.abstract	Τα σύγχρονα δίκτυα επικοινωνιών παράγουν τεράστιο όγκο δεδομένων, απαιτώντας συνεχή παρακολούθηση για τη διατήρηση της απόδοσης και τη διαχείριση των τηλεπικοινωνιακών υποδομών. Οι τεχνικές Μηχανικής και Βαθιάς Μάθησης αποδεικνύονται ιδιαίτερα αποτελεσματικές στην ανίχνευση απειλών, παρά τις προκλήσεις που θέτει η έλλειψη επισημασμένων δεδομένων και τα ζητήματα απορρήτου. Η παρούσα εργασία επικεντρώνεται στη χρήση αυτών των τεχνικών για την ανίχνευση απειλών σε περιβάλλοντα IoT, με ιδιαίτερη έμφαση στη μείωση του μεγέθους των μοντέλων διατηρώντας ταυτόχρονα ικανοποιητική ακρίβεια. Συγκρίνονται τρεις δημοφιλείς αρχιτεκτονικές νευρωνικών δικτύων (Πολυεπίπεδα Perceptrons, Συνελικτικά Νευρωνικά Δίκτυα, Μετασχηματιστές) χρησιμοποιώντας δεδομένα από το σύνολο CICIoT2023, και περιλαμβάνονται βιβλιογραφική ανασκόπηση, αναλυτική διαδικασία προετοιμασίας δεδομένων και αξιολόγηση των εκπαιδευμένων μοντέλων. Η μελέτη αναδεικνύει τις προκλήσεις που προκύπτουν από την ανισορροπία των κλάσεων και την προστασία προσωπικών δεδομένων, με το εργαλείο NFStream να προσφέρει μια ενοποιημένη και αξιόπιστη προσέγγιση στην εξαγωγή χαρακτηριστικών. Από την αξιολόγηση των μοντέλων, τα μοντέλα μετασχηματιστών προσέφεραν την καλύτερη απόδοση, ενώ τα πολυεπίπεδα Perceptrons είχαν τη χαμηλότερη. Επιπλέον, η αξιολόγηση των μοντέλων δεν μπορεί να βασίζεται σε ένα μόνο κριτήριο, καθώς οι απαιτήσεις και οι στόχοι κάθε εφαρμογής διαφέρουν. Η εργασία προτείνει λύσεις για την εξισορρόπηση της απόδοσης και της αποδοτικότητας, παρουσιάζοντας συμπεράσματα και μελλοντικές κατευθύνσεις όπως η διερεύνηση δυαδικής και πολυταξικής ταξινόμησης, η μελέτη της καθυστέρησης ανίχνευσης σε ολοκληρωμένο σύστημα προσομοίωσης, η διερεύνηση διαφορετικών συνόλων δεδομένων ασφάλειας δικτύων, η χρήση τεχνικών υπερδειγματοληψίας για τη βελτίωση της ανισορροπίας των δεδομένων, και η επεξεργασία δεδομένων πακέτων σε επίπεδο bytes. Συνολικά, η εργασία συμβάλλει στην κατανόηση και βελτίωση των τεχνικών ανίχνευσης εισβολών σε περιβάλλοντα IoT, συμβάλλοντας στην ανάπτυξη πιο αποδοτικών και αποτελεσματικών συστημάτων ανίχνευσης.	el
heal.advisorName	Βενιέρης, Ιάκωβος	el
heal.committeeMemberName	Κακλαμάνη, Δήμητρα-Θεοδώρα	el
heal.committeeMemberName	Βαρβαρίγος, Εμμανουήλ	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	101 σ.	el
heal.fullTextAvailability	false