| dc.contributor.advisor | Σιαηλής, Σταύρος | |
| dc.contributor.author | Παντελίδης, Ευθύμιος | |
| dc.contributor.other | Pantelidis, Efthimios | |
| dc.coverage.spatial | Κύπρος | el_GR |
| dc.date.accessioned | 2021-02-15T09:49:34Z | |
| dc.date.available | 2021-02-15T09:49:34Z | |
| dc.date.copyright | 2021-02-15 | |
| dc.date.issued | 2020-12 | |
| dc.identifier.other | ΑΥΔ/2020/00074 | el_GR |
| dc.identifier.uri | http://hdl.handle.net/11128/4781 | |
| dc.description | Περιέχει βιβλιογραφικές παραπομπές. | el_GR |
| dc.description.abstract | Οι εσωτερικές απειλές αποτελούν σήμερα έναν από τους μεγαλύτερους κινδύνους επιθέσεων στα εταιρικά δίκτυα. Παρόλα τα εγκατεστημένα περιμετρικά συστήματα ασφαλείας, ο κίνδυνος να επηρεαστούν αρνητικά η εμπιστευτικότητα, ακεραιότητα ή και η μη διαθεσιμότητα των πληροφοριών ή των πληροφοριών συστημάτων του οργανισμού παραμένει μεγάλος. Σύμφωνα με την Verizon (2019), το 57 τοις εκατό (57%) των παραβιάσεων σε έναν οργανισμό αφορά εσωτερικές απειλές. Η πλειονότητα των παραβιάσεων, ένα ποσοστό που φτάνει έως και το σαράντα τοις εκατό, χρειάζεται από μήνες έως και χρόνια να εντοπιστεί.
Σκοπός της διατριβής είναι η υλοποίηση δύο [2] αλγορίθμων Τεχνητής Νοημοσύνης για την αντιμετώπιση εσωτερικών απειλών χρησιμοποιώντας διαδεδομένο dataset. Στόχος είναι να μην απαιτούν ανθρώπινη παρέμβαση (unsupervised) και να αξιολογηθούν με βάση την αποτελεσματικότητα τους στον εντοπισμό εσωτερικών απειλών.
Οι αλγόριθμοι που επιλέξαμε είναι Τεχνητά Νευρωνικά Δίκτυα και χρησιμοποιούνται για εντοπισμό ανωμαλιών, Autoencoder, Variational Autoencoder, και υλοποιήθηκαν σε γλώσσα προγραμματισμού Python και περιβάλλον TensorFlow. Το dataset που χρησιμοποιήσαμε έχει δημιουργηθεί από το Software Engineering Institute (SEI) του Carnegie Mellon University Division. Είναι διαθέσιμο στους ερευνητές χωρίς περιορισμούς με σκοπό την αξιολόγηση των διάφορων αλγορίθμων στατιστικής και μηχανικής μάθησης | el_GR |
| dc.format.extent | 43 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 | Τεχνητή νοημοσύνη -- Εσωτερικές απειλές | el_GR |
| dc.subject | Artificial intelligence -- Internal threats | el_GR |
| dc.title | Αντιμετώπιση εσωτερικών απειλών με χρήση τεχνητής νοημοσύνης | el_GR |
| dc.type | Μεταπτυχιακή Διατριβή | el_GR |
| dc.description.translatedabstract | Internal threats are currently one of the biggest attacks risks on corporate networks. Despite the perimeter security systems installed, the risk of adversely affecting the confidentiality, integrity or even availability of organization's data or information systems, remains high. According to Verizon (2019), 57 percent (57%) of violations in an organization involve internal threats. The majority of violations, up to forty percent (40%), usually take months or even years to be detected.
The aim of the dissertation is to implement two [2] Artificial Intelligence algorithms internal threats mitigation, using a widespread dataset. The aim is not to require human intervention (unsupervised) and to be evaluated based on their effectiveness of identifying internal threats.
The algorithms we have selected are Artificial Neural Networks and used for be able to detect outliers, Autoencoder and Variational Autoencoder using Python programming language and TensorFlow environment, pyOD. The dataset we used was created by Software Engineering Institute (SEI) of the Carnegie Mellon University Division. It is available for researchers without restrictions for the purpose of evaluating various statistical and machine learning algorithms. | el_GR |
| dc.format.type | pdf | el_GR |
