Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Ακριβές σύστημα ανίχνευσης εισβολών σε ΙοΤ μέσω εφαρμογής μοντέλων μηχανικής μάθησης

Oikonomopoulos Ioannis

Πλήρης Εγγραφή

---

Περίληψη

Το ΄Ιντερνετ των Πραγμάτων (IoT ) μεγαλώνει κάθε χρόνο. Σύμφωνα με ταδεδομένα της IoT Analytics[1], ο αριθμός των συνδεδεμένων συσκευών στοδιαδίκτυο παγκοσμίως αναμένεται να ξεπεράσει τα 29 δισεκατομμύρια μέχρι το2027, με εφαρμογές στις μεταφορές, την υγειονομική περίθαλψη, την αποθήκευ-ση, την ασφάλεια και την παρακολούθηση δεδομένων. Η χρήση του IoT προ-σφέρει μεγάλα πλεονεκτήματα για τις επιχειρήσεις και την καθημερινή ζωή τωνανθρώπων, ώστε αν ξαφνικά οι συσκευές αυτές έμεναν ανενεργές, η επίδρασηθα ήταν αισθητή. Ωστόσο, δυσλειτουργίες αυτών των συσκευών στο παρελθόνέχουν προκαλέσει σοβαρά πλήγματα στην ιδιωτικότητα των δεδομένων και τηνοικονομία.Με την Τεχνητή Νοημοσύνη να αναδεικνύεται ως η κυρίαρχη τεχνολογία τηςδεκαετίας του 2020, έχει μετασχηματίσει τον τομέα των συστημάτων ανίχνευσηςεισβολών. Τα μοντέλα εκπαιδεύονται για να εντοπίζουν κάθε τύπο επίθεσηςσε διακομιστές, μικροϋπηρεσίες κ.λπ. Αλλά τι γίνεται με τις ενσωματωμένεςσυσκευές που στερούνται υπολογιστικών πόρων·Η παρούσα διπλωματική εργασία παρέχει μια ανάλυση σχετικά με την αποτε-λεσματική αντιμετώπιση των δικτυακών επιθέσεων στο IoT , διατηρώντας ελα-φρούς υπολογιστικούς πόρους. Η κεντρική ιδέα είναι η υλοποίηση αλγορίθμωνταξινόμησης και ανίχνευσης ακραίων τιμών σε χαμηλού επιπέδου GoLang, τοοποίο καθιστά την ανίχνευση και την αντιμετώπιση της κακόβουλης κίνησης πιοαποδοτική από άποψη χρόνου εκτέλεσης και υπολογιστικών πόρων σε σύγκρισημε την Python , η οποία αποτελεί τη δημοφιλή γλώσσα προγραμματισμού για τηΜηχανική Μάθηση. Τα πειράματα εκτελέστηκαν σε Python λόγω της ευκολίαςστη χρήση και των δημοφιλών βιβλιοθηκών μηχανικής μάθησης που παρέχει,αλλά το τελικό προϊόν χαρτογραφήθηκε σε GoLang.Το σύνολο δεδομένων που χρησιμοποιείται είναι από επίθεση Mirai Botnet , η πιοσυνηθισμένη μορφή επίθεσης στο ΙοΤ. Οι αλγόριθμοι που χρησιμοποιήθηκανείναι το LightGBM ως μέθοδος ταξινόμησης και το OneClassSVM ως μέθοδοςανίχνευσης ανωμαλιών. Σε αυτήν την εργασία, τα αποτελέσματα αυτών τωνδύο αλγορίθμων συγκρίνονται με το καινοτόμο πλαίσιο ανίχνευσης αποκλίσεωνσε δικτυακές επιθέσεις Kitsune . Στη συνέχεια, διεξήχθησαν πειράματα σεένα Raspberry Pi [2] για τη μέτρηση της απόδοσης ζωντανής εκτέλεσης σταενσωματωμένα συστήματα στις υλοποιήσεις σε Python και GoLang, αλλα καιστην υλοποίηση του Kitsune.

Διαθέσιμα αρχεία

Υπηρεσίες