| dc.contributor.advisor | Μαυρίδης, Ιωάννης | |
| dc.contributor.author | Αθανασίου, Θωμάς | |
| dc.contributor.other | Athanasiou, Thomas | |
| dc.coverage.spatial | Κύπρος | el_GR |
| dc.date.accessioned | 2018-03-06T09:54:47Z | |
| dc.date.available | 2018-03-06T09:54:47Z | |
| dc.date.copyright | 2018-03-06 | |
| dc.date.issued | 2018-01 | |
| dc.identifier.other | ΑΥΔ/2018/00010 | el_GR |
| dc.identifier.uri | http://hdl.handle.net/11128/3327 | |
| dc.description | Περιέχει βιβλιογραφικές παραπομπές. | el_GR |
| dc.description.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. | el_GR |
| dc.format.extent | vi, 92 σ. 30 εκ. | el_GR |
| dc.language | gr | el_GR |
| dc.language.iso | gr | el_GR |
| dc.publisher | Ανοικτό Πανεπιστήμιο Κύπρου | el_GR |
| dc.rights | info:eu-repo/semantics/closedAccess | el_GR |
| dc.subject | Microsoft Azure Machine Learning Studio | el_GR |
| dc.subject | Network Traffic Datasets | el_GR |
| dc.title | Επιλογή χαρακτηριστικών δικτυακής κίνησης και ανίχνευση εισβολών με χρήση του Microsoft Azure Machine Learning Studio | el_GR |
| dc.type | Μεταπτυχιακή Διατριβή | el_GR |
| dc.description.translatedabstract | The aim of this research is to introduce Microsoft Azure Machine Learning studio into Cyber Security to exploit its computing resources, and to also use customized machine learning algorithms and visualization of results. Available network traffic datasets require strong pre-processing so that the security researcher can use them efficiently to detect intrusion efforts into a corporate network. Microsoft Azure Machine Learning Platform brings together optimization and accelerating features to the research study, by following a well-defined methodology and providing appropriate tools. In this thesis, we explore the available network traffic data sets, select and pre-process them by selecting their most important features (Feature Selection). They are then introduced as an input to a machine learning algorithm for the detection of network traffic anomalies (Anomaly Detection). The Principal Component Analysis (PCA) algorithm is used at the pre-processing stage and at the final stage of the outcome. The results are presented with extensive use of graphical imaging tools offered by the Microsoft Azure platform. | el_GR |
| dc.format.type | pdf | el_GR |
