Institutional Repository
Technical University of Crete
Technical University of Crete
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/D2998311-50AE-4FD7-8F95-1752D239011D | - |
| Identifier | https://doi.org/10.26233/heallink.tuc.102444 | - |
| Language | en | - |
| Extent | 59 pages | en |
| Title | Accurate IoT intrusion detection system via application of AI models | en |
| Title | Ακριβές σύστημα ανίχνευσης εισβολών σε ΙοΤ μέσω εφαρμογής μοντέλων μηχανικής μάθησης | el |
| Creator | Oikonomopoulos Ioannis | en |
| Creator | Οικονομοπουλος Ιωαννης | el |
| Contributor [Committee Member] | Giatrakos Nikolaos | en |
| Contributor [Committee Member] | Γιατρακος Νικολαος | el |
| Contributor [Thesis Supervisor] | Ioannidis Sotirios | en |
| Contributor [Thesis Supervisor] | Ιωαννιδης Σωτηριος | el |
| Contributor [Committee Member] | Chalkiadakis Georgios | en |
| Contributor [Committee Member] | Χαλκιαδακης Γεωργιος | el |
| Publisher | Πολυτεχνείο Κρήτης | el |
| Publisher | Technical University of Crete | en |
| Academic Unit | Technical University of Crete::School of Electrical and Computer Engineering | en |
| Academic Unit | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Description | Διπλωματική εργασία Οικονομόπουλου Ιωάννη, Χανιά 2024/2025 | el |
| Content Summary | The Internet of Things (IoT) keeps growing bigger every year. Based on IoT Ana- lytics data [1], connected devices worldwide are expected to reach over 29 billion by 2027, spreading across transportation, healthcare, warehousing, security, and data monitoring. These devices have become so important in our daily lives and business operations that we can hardly imagine functioning without them. Yet, we’ve seen how device failures in the past have seriously damaged both data pri- vacy and economic stability. With AI becoming the star technology of the 2020s, it’s revolutionizing how we approach Network Intrusion Detection Systems (NIDS). While we’re getting bet- ter at training models to catch all sorts of attacks on servers and microservices, there’s still a big question mark when it comes to embedded devices - what can we do when we’re working with limited computational resources? This thesis tackles the challenge of running effective NIDS on IoT devices without overwhelming their modest resources. Our approach? We’re implementing clas- sification and outlier detection algorithms in GoLang - a lightweight, low-level language that handles malicious traffic more efficiently than Python (the usual go- to for Machine Learning). While we started our experiments in Python, thanks to its user-friendly typing and rich Machine Learning libraries, we ultimately moved everything to GoLang for the final product. We worked with a Mirai Botnet attack dataset, since it’s the most common type of IoT attack out there. For our analysis, we used Light Gradient Boosting Machine (LightGBM - LGBM) for classification and One-Class Support Vector Machine (One Class SVM - OCSVM) for spotting anomalies. We compared how these methods stack up against Kitsune, a newer framework for detecting outliers. The final test? Running everything on a Raspberry Pi [2] to see how Python, GoLang, and Kitsune perform in a real embedded system setup. | en |
| Content Summary | Το ΄Ιντερνετ των Πραγμάτων (IoT ) μεγαλώνει κάθε χρόνο. Σύμφωνα με τα δεδομένα της IoT Analytics[1], ο αριθμός των συνδεδεμένων συσκευών στο διαδίκτυο παγκοσμίως αναμένεται να ξεπεράσει τα 29 δισεκατομμύρια μέχρι το 2027, 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 των ανθρώπων, ώστε αν ξαφνικά οι συσκευές αυτές έμεναν ανενεργές, η επίδραση θα ήταν αισθητή. Ωστόσο, δυσλειτουργίες αυτών των συσκευών στο παρελθόν έχουν προκαλέσει σοβαρά πλήγματα στην ιδιωτικότητα των δεδομένων και την οικονομία. Με την Τεχνητή Νοημοσύνη να αναδεικνύεται ως η κυρίαρχη τεχνολογία της δεκαετίας του 2020, έχει μετασχηματίσει τον τομέα των συστημάτων ανίχνευσης εισβολών. Τα μοντέλα εκπαιδεύονται για να εντοπίζουν κάθε τύπο επίθεσης σε διακομιστές, μικροϋπηρεσίες κ.λπ. Αλλά τι γίνεται με τις ενσωματωμένες συσκευές 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 αλγορίθμων ταξινόμησης και ανίχνευσης ακραίων τιμών σε χαμηλού επιπέδου GoLang, το οποίο καθιστά την ανίχνευση και την αντιμετώπιση της κακόβουλης κίνησης πιο αποδοτική από άποψη χρόνου εκτέλεσης και υπολογιστικών πόρων σε σύγκριση με την Python , η οποία αποτελεί τη δημοφιλή γλώσσα προγραμματισμού για τη Μηχανική Μάθηση. Τα πειράματα εκτελέστηκαν σε Python λόγω της ευκολίας στη 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 πιο συνηθισμένη μορφή επίθεσης στο ΙοΤ. Οι αλγόριθμοι που χρησιμοποιήθηκαν είναι το LightGBM ως μέθοδος ταξινόμησης και το OneClassSVM ως μέθοδος ανίχνευσης ανωμαλιών. Σε αυτήν την εργασία, τα αποτελέσματα αυτών των δύο αλγορίθμων συγκρίνονται με το καινοτόμο πλαίσιο ανίχνευσης αποκλίσεων σε δικτυακές επιθέσεις Kitsune . Στη συνέχεια, διεξήχθησαν πειράματα σε ένα Raspberry Pi [2] για τη μέτρηση της απόδοσης ζωντανής εκτέλεσης στα ενσωματωμένα συστήματα στις υλοποιήσεις σε Python και GoLang, αλλα και στην υλοποίηση του Kitsune. | el |
| Type of Item | Διπλωματική Εργασία | el |
| Type of Item | Diploma Work | en |
| License | http://creativecommons.org/licenses/by/4.0/ | en |
| Date of Item | 2025-02-20 | - |
| Date of Publication | 2025 | - |
| Subject | Ιντερνετ των Πραγμάτων | el |
| Subject | IoT | en |
| Bibliographic Citation | Ioannis Oikonomopoulos, "Accurate IoT intrusion detection system via application of AI models", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2025 | en |
| Bibliographic Citation | Ιωάννης Οικονομόπουλος, "Ακριβές σύστημα ανίχνευσης εισβολών σε ΙοΤ μέσω εφαρμογής μοντέλων μηχανικής μάθησης", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2025 | el |
Copyright © DIAS 2013
