Εμφάνιση απλής εγγραφής

dc.contributor.advisorΣιαηλής, Σταύρος
dc.contributor.authorNicolaou, Andreas S.
dc.contributor.otherΝικολάου, Ανδρέας Σ.
dc.coverage.spatialΚύπροςel_GR
dc.date.accessioned2020-09-17T10:26:37Z
dc.date.available2020-09-17T10:26:37Z
dc.date.copyright2020-09-17
dc.date.issued2020-05
dc.identifier.otherΑΥΔ/2020/00062el_GR
dc.identifier.urihttp://hdl.handle.net/11128/4621
dc.descriptionIncludes bibliographical references.el_GR
dc.description.abstractInsider Threat has become a huge information security issue that governments and organizations must face. The implementation of security policies and procedures may not be enough to protect organizational assets. Even with the evolution of information and network security technology, the insider threat problem is on the rise and many researchers are approaching the problem with various methods, in order to develop a model that will help organizations to reduce their exposure to the threat and prevent damage to their assets. In this M.Sc. dissertation we approach the insider threat problem and attempt to mitigate it, by developing a machine learning model based on bio-inspired computing. The model was developed by using an existing unsupervised learning algorithm for anomaly detection and we fitted the model to a synthetic dataset to detect outliers. We explored swarm intelligence algorithms and their performance on feature selection optimization for improving the performance of the machine learning model. The results showed that swarm intelligence algorithms perform well on feature selection optimization and the generated near-optimal subset of features that has similar performance with the original one.el_GR
dc.format.extentviii, 73 σ. ; 30 εκ.el_GR
dc.languageenel_GR
dc.language.isoenel_GR
dc.publisherΑνοικτό Πανεπιστήμιο Κύπρουel_GR
dc.rightsinfo:eu-repo/semantics/closedAccessel_GR
dc.subjectΑσφάλεια πληροφοριών -- Εσωτερικές απειλέςel_GR
dc.subjectInformation security --Insider threatel_GR
dc.titleMitigating insider threats using bio-inspired models.el_GR
dc.typeΜεταπτυχιακή Διατριβήel_GR
dc.description.translatedabstractΟι εσωτερικές απειλές έχουν εξελιχθεί σε ένα πολύ σοβαρό ζήτημα ασφάλειας πληροφοριών που έχουν να αντιμετωπίσουν κυβερνήσεις και οργανισμοί. Η εφαρμογή πολιτικών και διαδικασιών ασφαλείας ενδέχεται να μην είναι αρκετή για προστασία τα αγαθά ενός οργανισμού. Ακόμη και με την εξέλιξη της τεχνολογίας στον τομέα της κυβερνοασφάλειας, το πρόβλημα της εσωτερικής απειλής αυξάνεται και η ερευνητική κοινότητα προσεγγίζει το πρόβλημα με διάφορες μεθόδους, προκειμένου να αναπτύξει ένα μοντέλο που θα βοηθήσεις τους οργανισμούς να μειώσουν την έκθεση τους στην απειλή και να αποτρέψουν ζημιές στα περιουσιακά τους στοιχεία. Με αυτή τη μεταπτυχιακή διατριβή προσεγγίζουμε το πρόβλημα προσεγγίζουμε το πρόβλημα της εσωτερικής απειλής αναπτύσσοντας μοντέλο μηχανικής μάθησης, χρησιμοποιώντας Bio-Inspired computing. Το μοντέλο αναπτύχθηκε χρησιμοποιώντας αλγόριθμο μάθησης χωρίς επίβλεψη για ανίχνευση ανωμαλιών και προσαρμόσαμε το μοντέλο σε ένα γνωστό συνθετικό σύνολο δεδομένων για εντοπισμών των ανωμαλιών. Εξερευνήσαμε Swarm intelligence αλγορίθμους και την απόδοση τους σε βελτιστοποίηση επιλογής χαρακτηριστικών για τη βελτίωση της απόδοσης του μοντέλου μηχανικής μάθησης. Τα αποτελέσματα έδειξαν ότι οι Swam intelligence αλγόριθμοι έχουν πολύ καλή απόδοση στη βελτιστοποίηση επιλογής χαρακτηριστικών και το near-optimal υποσύνολο χαρακτηριστικών έχει παρόμοια απόδοση με το αρχικό.el_GR
dc.format.typepdfel_GR


Αρχεία σε αυτό το τεκμήριο

Thumbnail

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Εμφάνιση απλής εγγραφής