| dc.contributor.advisor | Σιαηλής, Σταύρος | |
| dc.contributor.author | Καλλιμάνης, Δημήτριος | |
| dc.contributor.other | Kallimanis, Demetrios | |
| dc.coverage.spatial | Κύπρος | el_GR |
| dc.date.accessioned | 2018-10-03T09:04:34Z | |
| dc.date.available | 2018-10-03T09:04:34Z | |
| dc.date.copyright | 2018-10-03 | |
| dc.date.issued | 2018-05 | |
| dc.identifier.other | ΠΕΣ/2018/00292 | el_GR |
| dc.identifier.uri | http://hdl.handle.net/11128/3770 | |
| dc.description | Περιέχει βιβλιογραφικές παραπομπές. | el_GR |
| dc.description.abstract | Στη σύγχρονη εποχή με τη ραγδαία τεχνολογική ανάπτυξη τόσο στους τομείς της Πληροφορικής όσο και των υπολοίπων επιστημών αναγεννήθηκαν νέες προκλήσεις και με πολύ εξειδικευμένη γνώση που χρειάζονται επίλυση. Ειδικότερα με την εξάπλωση της οικονομικής κρίσης σε παγκόσμια εμβέλεια και με την διάχυτη και ανυπολόγιστη ποσοτικά γνώση παρεχόμενη από το διαδίκτυο, προέκυψαν και προκύπτουν σχεδόν καθημερινά θέματα ασφάλειας που αφορούν όχι μόνο επιχειρήσεις, οργανισμούς και κυβερνητικές οργανώσεις αλλά και ακόμη τον πιο απλό χρήστη. Έφτασε λοιπόν η στιγμή που θα πρέπει να αναφέρουμε και να μελετήσουμε την ύπαρξη κακόβουλων λογισμικών καθώς και το ρόλο της τεχνητής νοημοσύνης στην αντιμετώπιση αυτών των νέων απειλών σε διεθνές επίπεδο. Καθώς οι συγγραφείς κακόβουλου λογισμικού χρησιμοποιούν όλο και πιο εξειδικευμένες τεχνικές αποφυγής του εντοπισμού οι υπάρχουσες Signatures-based λύσεις αποδεικνύονται ελλιπείς. Λύση σε αυτό έρχεται να δώσει η ανάλυση του κακόβουλου χρησιμοποιώντας αλγόριθμους που βοηθούν την επίτευξη μοντέλων μηχανικής μάθησης. Ιδιαίτερα σε μια περίοδο με απεριόριστη ελευθερία από το βαθύ και σκοτεινό δίκτυο("deep web" και "dark web") η χρήση του τομέα μηχανικής μάθησης στην αντιμετώπιση και ανάλυση κακόβουλου λογισμικού αποτελεί αναγκαιότητα εξαιτίας του μεγάλου όγκου των δεδομένων από κακόβουλα λογισμικά και ιούς. Επομένως λοιπόν, ο αυξανόμενος όγκος του κακόβουλου λογισμικού επιβάλλει την εύρεση λύσεων για την ταξινόμησή του, και καλύτερα την συσταδοποίησή του ώστε να δημιουργούνται μοντέλα να μαθαίνουν από αυτά με σκοπό την αντιμετώπισή τους η τουλάχιστον τον περιορισμό των συνεπειών που προκαλούν. Στην παρούσα διπλωματική θα δούμε αναλυτικά τις μορφές του κακόβουλου λογισμικού διευκρινίζοντας τα επίπεδα του διαδικτύου και παρουσιάζοντας σχετικές δουλειές με μοντέλα μηχανικής μάθησης θα προτείνουμε μια πλατφόρμα στατικής και δυναμικής ανάλυσης κακόβουλου λογισμικού, η οποία χρησιμοποιεί τεχνικές μηχανικής μάθησης τόσο για την ταξινόμησή του όσο και για την συσταδοποίησή του. Αρχικά, εξηγούνται τα είδη κακόβουλων λογισμικών, οι έννοιες τις δυναμικής και στατικής ανάλυσης και της μηχανικής μάθησης . Στη συνέχεια, παρουσιάζονται οι προσεγγίσεις αντιμετώπισης και ανάλυσης κακόβουλων λογισμικών παρουσιάζοντας πλατφόρμες και τέλος, προτείνοντας μία από αυτές. | el_GR |
| dc.format.extent | 55 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 | Ανάλυση κακόβουλου λογισμικού | el_GR |
| dc.subject | Analyze malicious software | el_GR |
| dc.title | Μελέτη για την αντιμετώπιση κακόβουλου λογισμικού (APT και Ransomware) με χρήση τεχνητής νοημοσύνης | el_GR |
| dc.type | Μεταπτυχιακή Διατριβή | el_GR |
| dc.description.translatedabstract | Nowadays, within a context of rapid technological development both in the fields of Information Technology and in Science, new challenges have emerged that require specific knowledge and know-how. At the same time, in times of global financial crisis, the diffuse and incomparable quantitative knowledge provided through the internet, security issues have emerged almost daily, involving not only businesses, governmental and other organizations but also the front-end user. It is, therefore, high time to report and study the existence of malicious software as well as the role of artificial intelligence in dealing with these new threats at international level. While malware writers use increasingly specialized anti-detection techniques, existing signature-based solutions prove to be incomplete. Solution to this comes from malicious analysis using algorithms that help develop engineering learning models. Especially in a period of unlimited freedom from the “deep and dark” web, the use of engineering the management and analysis of malicious software is a necessity that comes in view of a large amount of data from malicious software and viruses. Therefore, the growing volume of malware requires finding solutions for its classification, and its clustering so as to create models that will enable us to combat malicious software or, at least, limit the consequences it causes. In the current master’s thesis, we analyze the forms of malware by clarifying the levels of internet and, by presenting related work on models of machine learning, we will propose a platform for static and dynamic analysis of malware that uses engineering techniques for both classifying and aggregation. Initially, we explain the types of malware and the concepts of dynamic and static analysis, and machine learning. Next, we present the approaches to addressing and analyzing malicious software by presenting potential platforms. We finally propose one of these platforms as the best approach analysis and detecting malwares via unsupervised machine learning. | el_GR |
| dc.format.type | pdf | el_GR |
