Kypseli Logo
    • Ελληνικά
    • English
  •  Home
  •  Browse 
    • Communities & Collections
    • By Issue Date
    • Authors
    • Titles
    • Subjects
    • By Issue number
  • Language elLanguage en
  •  Login 
    • Sign in
    View Item 
    • Home
    • Αποθετήριο Ανοικτού Πανεπιστημίου Κύπρου (Repository of the Open University of Cyprus)
    • Μεταπτυχιακές διατριβές / Master Τhesis
    • Ασφάλεια Υπολογιστών και Δικτύων (ΕΛΛ) / Computer and Network Security (in Greek)
    • View Item
    •   Home
    • Αποθετήριο Ανοικτού Πανεπιστημίου Κύπρου (Repository of the Open University of Cyprus)
    • Μεταπτυχιακές διατριβές / Master Τhesis
    • Ασφάλεια Υπολογιστών και Δικτύων (ΕΛΛ) / Computer and Network Security (in Greek)
    • View Item
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Επιλογή χαρακτηριστικών δικτυακής κίνησης και ανίχνευση εισβολών με χρήση του Microsoft Azure Machine Learning Studio

    Thumbnail
    View/Open
    ΑΥΔ-2018-00010.pdf (3.070Mb)
    Date
    2018-01
    Author
    Αθανασίου, Θωμάς
    Metadata
    Show full item record
    Abstract
    Σκοπός της έρευνας είναι η εισαγωγή της αυτοματοποιημένης πλατφόρμας μηχανικής μάθησης Microsoft Azure Machine Learning Studio στη Κυβερνοασφάλεια με στόχο την εκμετάλλευση των υπολογιστικών πόρων της, τη χρήση των προσφερόμενων και παραμετροποιήσιμων αλγόριθμων μηχανικής μάθησης, καθώς και των δυνατοτήτων οπτικοποίησης των αποτελεσμάτων. Το πλήθος των διαθέσιμων συνόλων δεδομένων δικτυακής κίνησης (Network Traffic Datasets) απαιτεί ισχυρή προεπεξεργασία ώστε να μπορεί ο ερευνητής ασφάλειας να τα χρησιμοποιήσει προς την κατεύθυνση της ανίχνευσης εισβολών σε δικτυακό περιβάλλον. Η πλατφόρμα Microsoft Azure Machine Learning Studio συγκεντρώνει χαρακτηριστικά βελτιστοποίησης και επιτάχυνσης της ερευνητικής μελέτης ακολουθώντας μια καλά ορισμένη μεθοδολογία. Στην παρούσα μεταπτυχιακή διατριβή εξερευνούμε τα διαθέσιμα σύνολα δεδομένων δικτυακής κίνησης, τα οποία προεπεξεργάζονται κατάλληλα επιλέγοντας τα σημαντικότερα χαρακτηριστικά τους(Feature Selection). Στη συνέχεια εισάγονται ως είσοδος σε αλγόριθμο μηχανικής μάθησης με σκοπό την ανίχνευση ανωμαλιών (Anomaly Detection). Ο αλγόριθμος PCA (Principal Component Analysis) χρησιμοποιείται στο στάδιο της προεπεξεργασίας των δεδομένων καθώς και στο τελικό στάδιο της εξαγωγής συμπερασμάτων. Η παρουσίαση των αποτελεσμάτων πραγματοποιείται με εκτενή χρήση διαγραμματικών εργαλείων απεικόνισης που προσφέρει η πλατφόρμα.
    URI
    http://hdl.handle.net/11128/3327
    Collections
    • Ασφάλεια Υπολογιστών και Δικτύων (ΕΛΛ) / Computer and Network Security (in Greek)

    Open University of Cyprus

    PO Box 12794,

    2252, Latsia

    Cyprus

    Tel.: +357 22 411600

    Fax.: +357 22 411601

    • Help
    • Contact Us
    • Open University of Cyprus
    • OUC Library
    • Policies
    • Accessibility and Data Protection

    Find us on:

    • FacebookFacebook
    • EU Flag
    • Republic of Cyprus
    • Structural Funds
    • e University
    • Open University of Cyprus

    The eUniversity Project is co-founded by the European Regional Development Fund and National Funds in the Programmatic Period 2007-2013

     

    Browse

    All of DSpaceCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsBy Issue numberThis CollectionBy Issue DateAuthorsTitlesSubjectsBy Issue number

    My Account

    Sign inRegister

    Open University of Cyprus

    PO Box 12794,

    2252, Latsia

    Cyprus

    Tel.: +357 22 411600

    Fax.: +357 22 411601

    • Help
    • Contact Us
    • Open University of Cyprus
    • OUC Library
    • Policies
    • Accessibility and Data Protection

    Find us on:

    • FacebookFacebook
    • EU Flag
    • Republic of Cyprus
    • Structural Funds
    • e University
    • Open University of Cyprus

    The eUniversity Project is co-founded by the European Regional Development Fund and National Funds in the Programmatic Period 2007-2013