![Ιδρυματικό Αποθετήριο [SANDBOX]](images/dias.logo.png "Ιδρυματικό Αποθετήριο [SANDBOX]"){kind=logo}
Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/6D93408B-9D4E-4ECC-B239-1D71844363BF | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.94671 | - |
| Γλώσσα | el | - |
| Μέγεθος | 104 σελίδες | el |
| Μέγεθος | 2.3 megabytes | en |
| Τίτλος | Πρακτικές μηχανικής μάθησης με εφαρμογές στην Κυβερνοασφάλεια | el |
| Τίτλος | Machine learning practices for Cybersecurity | en |
| Δημιουργός | Chasiotis Themistoklis | en |
| Δημιουργός | Χασιωτης Θεμιστοκλης | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Νικόλαος Δούκας | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Νικόλαος Μπάρδης | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Matsatsinis Nikolaos | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Ματσατσινης Νικολαος | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Εκδότης | Στρατιωτική Σχολή Ευελπίδων | el |
| Εκδότης | Hellenic Army Academy | en |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Production Engineering and Management | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησης | el |
| Περιγραφή | Μεταπτυχιακή διατριβή που υποβλήθηκε στη Σχολή Μηχανικών Παραγωγής και Διοίκησης του Πολυτεχνείου Κρήτης για την πλήρωση προϋποθέσεων λήψης του Μεταπτυχιακού Διπλώματος Ειδίκευσης | el |
| Περίληψη | Η εργασία αυτή μελετά εργαλεία τεχνητής νοημοσύνης για την έγκαιρη και αποτελεσματική αναγνώριση, προτεραιοποίηση και αποσόβηση των απειλών, προκειμένου να αναπτυχθούν συστήματα λογισμικού για την υποστήριξη αποφάσεων εκτίμησης και αντιμετώπισης απειλών στον κυβερνοχώρο. Τα θέματα που διερευνά η παρούσα εργασία περιλαμβάνουν την ανίχνευση παραβιάσεων δικτύου με βάση την ανίχνευση ανωμαλιών (anomaly-based network intrusion detection), την ανίχνευση εσωτερικών απειλών, την ανίχνευση ανεπιθύμητης αλληλογραφίας και phishing, την ανίχνευση κακόβουλου λογισμικού με βάση την συμπεριφορά και την ανίχνευση κακόβουλης δραστηριότητας με βάση την ανάλυση εντολών σε επίπεδο γλώσσας μηχανής κλπ. Οι μέθοδοι της τεχνητής νοημοσύνης που προσφέρονται για το σκοπό της εργασίας περιλαμβάνουν μηχανική μάθηση για την ανάλυση λογισμικού, μηχανική μάθηση και εξόρυξη δεδομένων για την ασφάλεια βάσεων δεδομένων, μηχανική μάθηση για την ανίχνευση κακόβουλου λογισμικού και άλλα. Πηγή ιδιαιτέρως σημαντικών προβλημάτων είναι το γεγονός ότι αναγκαστικά, η εκπαίδευση των αλγορίθμων τεχνητής νοημοσύνης γίνεται με βάση ένα περιορισμένο σύνολο παραδειγμάτων, αφού η συμπεριφορά του κακόβουλου λογισμικού είναι άγνωστη και ταχύτατα μεταβαλλόμενη. Στην εργασία παρουσιάζονται οι κύριες αρχές της ταξινόμησης και της ομαδοποίησης στην περίπτωση της εποπτευόμενης μάθησης. Στη συνέχεια διαφορετικά σύνολα δεδομένων υποβλήθηκαν σε επεξεργασία για την εκτέλεση εντοπισμού κακόβουλου λογισμικού και τέλος παρουσιάζεται η ανίχνευση και ταυτοποίηση διαφορετικών κυβερνοεπιθέσεων. | el |
| Περίληψη | This thesis studies artificial intelligence tools for early and effective threat identification, prioritization and deterrence in order to develop software systems to support cyber threat assessment and response decisions. The topics explored in this thesis include anomaly-based network intrusion detection, insider threat detection, spam and phishing detection, behavior-based malware detection, and malware detection activity based on parsing machine language commands etc. The AI methods offered for this purpose include machine learning for software analysis, machine learning and data mining for database security, machine learning for malware detection and more. A source of particularly significant problems is the fact that artificial intelligence algorithms are necessarily trained on a limited set of examples, since malware behavior is unknown and rapidly changing. Finally presents the main classification and clustering principles in the case of supervised learning. Then different data sets were processed to perform malware detection and finally the detection and identification of different cyber attacks is presented. | en |
| Τύπος | Μεταπτυχιακή Διατριβή | el |
| Τύπος | Master Thesis | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2023-01-30 | - |
| Ημερομηνία Δημοσίευσης | 2022 | - |
| Θεματική Κατηγορία | Cybersecurity | en |
| Θεματική Κατηγορία | Κυβερνοασφάλεια | el |
| Θεματική Κατηγορία | Τεχνητή νοημοσύνη | el |
| Θεματική Κατηγορία | Artificial intelligence | en |
| Θεματική Κατηγορία | Μηχανική επιμόρφωση | el |
| Θεματική Κατηγορία | Machine learning | en |
| Βιβλιογραφική Αναφορά | Θεμιστοκλής Χασιώτης, "Πρακτικές μηχανικής μάθησης με εφαρμογές στην Κυβερνοασφάλεια ", Μεταπτυχιακή Διατριβή, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Στρατιωτική Σχολή Ευελπίδων, Χανιά, Ελλάς, 2022 | el |
| Βιβλιογραφική Αναφορά | Themistoklis Chasiotis, "Machine learning practices for Cybersecurity", Master Thesis, School of Production Engineering and Management, Technical University of Crete, Hellenic Army Academy, Chania, Greece, 2022 | en |
Copyright © DIAS 2013
