Εμφάνιση απλής εγγραφής

dc.contributor.advisorΣιαηλής, Σταύρος
dc.contributor.authorΠελτέκης, Νικόλαος
dc.contributor.otherPeltekis, Nikolaos
dc.coverage.spatialΚύπροςel_GR
dc.date.accessioned2019-12-16T10:40:25Z
dc.date.available2019-12-16T10:40:25Z
dc.date.copyright2019-12-16
dc.date.issued2019-05
dc.identifier.otherΑΥΔ/2019/00041el_GR
dc.identifier.urihttp://hdl.handle.net/11128/4342
dc.descriptionΠεριέχει βιβλιογραφικές παραπομπές.el_GR
dc.description.abstractΈνας οργανισμός κατέχει ένα πλήθος αγαθών τα οποία φροντίζει να προστατεύει από φθορά. Υπάρχουν διάφορες αιτίες οι οποίες οδηγούν σε αυτό το γεγονός και μία εξ’ αυτών είναι οι εσωτερικές απειλές: υπάλληλοι, μέλη ή συνεργάτες του οργανισμού (ή αλλιώς εσωτερικοί χρήστες) οι οποίοι έχουν πρόσβαση σε αυτά, να προσπαθήσουν να εκμεταλλευτούν αδυναμίες του Πληροφοριακού Συστήματος του οργανισμού και να προξενήσουν ζημιά στα αγαθά. Η αντιμετώπιση εσωτερικών απειλών, γίνεται είτε με τη χρήση πολύπλοκων συστημάτων ή με πολύ περιοριστικές πολιτικές χρήσης ή δεν γίνεται καθόλου. Αρωγός σε αυτή την προσπάθεια μπορεί να είναι η Τεχνητή Νοημοσύνη (Deep/Machine Learning – DL/ML) και πιο συγκεκριμένα η χρήση Νευρωνικών δικτύων (NN, CNN, DNN, RNN). Το κλειδί σε αυτή τη στρατηγική είναι η χρήση συγκεκριμένων αλγορίθμων οι οποίοι, αφού εκπαιδευτούν κατάλληλα, θα χρησιμοποιηθούν ώστε να εξαχθούν συμπεράσματα σχετικά για την ύπαρξη ή όχι εσωτερικής απειλής. Στόχος της παρούσας μεταπτυχιακής διατριβής είναι η υλοποίηση και δοκιμή τριών (3) πολύ γνωστών αλγορίθμων και δοκιμή αυτών με συγκεκριμένο dataset (Cert) για την εξαγωγή συμπερασμάτων αποτελεσματικότητας ώστε να αναγνωριστούν πιθανές εσωτερικές απειλές, καθώς και η εύρεση ευπαθειών στα συστήματα του οργανισμού. Το dataset περιέχει log files από ένα Πληροφοριακό Σύστημα και το καθένα παρέχεται σε μορφή csv, τα οποία αφού υποστούν κατάλληλη επεξεργασία, εισάγονται στο DL/ML σύστημα μας (στο Azure ML Studio) με σκοπό την επεξεργασία και ανάλυση με τη χρήση των Linear Regression, One-class Vector και PCA αλγορίθμων.el_GR
dc.format.extentvii, 92 σ. ; 30 εκ.el_GR
dc.languagegrel_GR
dc.language.isogrel_GR
dc.publisherΑνοικτό Πανεπιστήμιο Κύπρουel_GR
dc.rightsinfo:eu-repo/semantics/closedAccessel_GR
dc.subjectΤεχνητή νοημοσύνη -- Εσωτερικές απειλέςel_GR
dc.subjectArtificial intelligence -- Internal threatsel_GR
dc.titleΑντιμετώπιση εσωτερικών απειλών με χρήση τεχνητής νοημοσύνης.el_GR
dc.typeΜεταπτυχιακή Διατριβήel_GR
dc.description.translatedabstractAn organization owns a number of assets that needs and owes to protect. Assets are vulnerable to multiple kinds of exposure and one of them is Insider Threats: employees, vendors, etc, who have access, will try to exploit vulnerabilities of the Information System, in order to gain access to the assets. Insider Threat Detection can be performed using complicated and resourceful systems or using well documented information policies or not at all. Artificial Intelligence with Machine/Deep Learning are providing help on this with the use advanced algorithms, and help the IT-Security analysts discover such threats in an easier manner. This paper tries to combine the use of three well know algorithms, Linear Regression, One-Class Vector and PCA, in a specific, artificial dataset from Cert, in order to help to confirm possible insider threats. Also, Azure ML Studio is used because it provides an easy and visual way of conducting experiments and producing reports.el_GR
dc.format.typepdfel_GR


Αρχεία σε αυτό το τεκμήριο

Thumbnail

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Εμφάνιση απλής εγγραφής