Κακόβουλη μηχανική μάθηση

Τα συστήματα μηχανικής μάθησης καθώς προσφέρουν μια ιδιαίτερη ευελιξία, χρησιμοποιούνται σε πλήθος εφαρμογών τα τελευταία χρόνια. Και ενώ πολύ συχνά διάφορα μοντέλα μηχανικής μάθησης χρησιμοποιούνται για την αντιμετώπιση επιθέσεων, όπως παραδείγματος χάριν σε συστήματα ανίχνευσης εισβολών, ταυτόχρον...

Πλήρης περιγραφή

Αποθηκεύτηκε σε:

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας:	Κουδέρη, Χριστίνα
Άλλοι συγγραφείς:	Ριζομυλιώτης, Παναγιώτης
Γλώσσα:	el_GR
Δημοσίευση:	2021
Θέματα:	κακόβουλη μηχανική μάθηση επιθέσεις διαφυγής επιθέσεις δηλητηρίασης δεδομένων ιδιωτικότητα στη μηχανική μάθηση adversarial machine learning evasion attacks data poisoning attacks privacy in machine learning Machine learning Computer security
Διαθέσιμο Online:	http://hdl.handle.net/11610/21464
Ετικέτες:	Προσθήκη ετικέτας Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!

_version_	1828461756399222784
author	Κουδέρη, Χριστίνα
author2	Ριζομυλιώτης, Παναγιώτης
author_facet	Ριζομυλιώτης, Παναγιώτης Κουδέρη, Χριστίνα
author_sort	Κουδέρη, Χριστίνα
collection	DSpace
description	Τα συστήματα μηχανικής μάθησης καθώς προσφέρουν μια ιδιαίτερη ευελιξία, χρησιμοποιούνται σε πλήθος εφαρμογών τα τελευταία χρόνια. Και ενώ πολύ συχνά διάφορα μοντέλα μηχανικής μάθησης χρησιμοποιούνται για την αντιμετώπιση επιθέσεων, όπως παραδείγματος χάριν σε συστήματα ανίχνευσης εισβολών, ταυτόχρονα οι ίδιοι αλγόριθμοι μηχανικής μάθησης σε διάφορες μορφές τους μπορούν να αποτελέσουν οι ίδιοι στόχο επίθεσης από κάποιον κακόβουλο χρήστη. Τα προβλήματα που δημιουργούν αυτές οι επιθέσεις στην λειτουργία των συστημάτων μηχανικής μάθησης είναι ποικίλα. Μπορούν να προκαλέσουν απώλεια λειτουργικότητας ή λανθάνουσα λειτουργικότητα στις διάφορες εφαρμογές που στηρίζονται σε μοντέλα μηχανικής μάθησης με αποτέλεσμα ιδιαιτέρως σημαντικά κόστη τόσο στις επιχειρήσεις που τις παρέχουν όσο και στους χρήστες που τις χρησιμοποιούν. Επίσης ένα σημαντικό ζήτημα που προκύπτει από τέτοιου είδους επιθέσεις είναι αυτό της ιδιωτικότητας, καθώς η μηχανική μάθηση στηρίζεται σε πλήθος δεδομένων και στις περισσότερες των περιπτώσεων αυτά τα δεδομένα είναι προσωπικά δεδομένα χρηστών. Στην παρούσα διπλωματική εργασία θα γίνει μελέτη και αναφορά στις διάφορες επιθέσεις απέναντι στην μηχανική μάθηση σήμερα αλλά και στις τεχνικές άμυνας απέναντι σε αυτές, με ιδιαίτερη έμφαση στις επιθέσεις διαφυγής και τις επιθέσεις δηλητηρίασης δεδομένων, ενώ ταυτόχρονα δίνονται και παραδείγματα από διάφορες επιθέσεις στον πραγματικό κόσμο. Επίσης, αναφορά θα γίνει και στο ιδιαιτέρως σημαντικό ζήτημα της ιδιωτικότητας που προκύπτει και σε διάφορες τεχνικές για την αποφυγή τέτοιων περιπτώσεων απώλειας ή αποκάλυψης προσωπικών δεδομένων.
id	oai:hellanicus.lib.aegean.gr:11610-21464
institution	Hellanicus
language	el_GR
publishDate	2021
record_format	dspace
spelling	oai:hellanicus.lib.aegean.gr:11610-214642021-02-15T08:19:30Z Κακόβουλη μηχανική μάθηση Adversarial machine learning Κουδέρη, Χριστίνα Ριζομυλιώτης, Παναγιώτης Ασφάλεια Πληροφοριακών και Επικοινωνιακών Συστημάτων κακόβουλη μηχανική μάθηση επιθέσεις διαφυγής επιθέσεις δηλητηρίασης δεδομένων ιδιωτικότητα στη μηχανική μάθηση adversarial machine learning evasion attacks data poisoning attacks privacy in machine learning Machine learning Computer security Τα συστήματα μηχανικής μάθησης καθώς προσφέρουν μια ιδιαίτερη ευελιξία, χρησιμοποιούνται σε πλήθος εφαρμογών τα τελευταία χρόνια. Και ενώ πολύ συχνά διάφορα μοντέλα μηχανικής μάθησης χρησιμοποιούνται για την αντιμετώπιση επιθέσεων, όπως παραδείγματος χάριν σε συστήματα ανίχνευσης εισβολών, ταυτόχρονα οι ίδιοι αλγόριθμοι μηχανικής μάθησης σε διάφορες μορφές τους μπορούν να αποτελέσουν οι ίδιοι στόχο επίθεσης από κάποιον κακόβουλο χρήστη. Τα προβλήματα που δημιουργούν αυτές οι επιθέσεις στην λειτουργία των συστημάτων μηχανικής μάθησης είναι ποικίλα. Μπορούν να προκαλέσουν απώλεια λειτουργικότητας ή λανθάνουσα λειτουργικότητα στις διάφορες εφαρμογές που στηρίζονται σε μοντέλα μηχανικής μάθησης με αποτέλεσμα ιδιαιτέρως σημαντικά κόστη τόσο στις επιχειρήσεις που τις παρέχουν όσο και στους χρήστες που τις χρησιμοποιούν. Επίσης ένα σημαντικό ζήτημα που προκύπτει από τέτοιου είδους επιθέσεις είναι αυτό της ιδιωτικότητας, καθώς η μηχανική μάθηση στηρίζεται σε πλήθος δεδομένων και στις περισσότερες των περιπτώσεων αυτά τα δεδομένα είναι προσωπικά δεδομένα χρηστών. Στην παρούσα διπλωματική εργασία θα γίνει μελέτη και αναφορά στις διάφορες επιθέσεις απέναντι στην μηχανική μάθηση σήμερα αλλά και στις τεχνικές άμυνας απέναντι σε αυτές, με ιδιαίτερη έμφαση στις επιθέσεις διαφυγής και τις επιθέσεις δηλητηρίασης δεδομένων, ενώ ταυτόχρονα δίνονται και παραδείγματα από διάφορες επιθέσεις στον πραγματικό κόσμο. Επίσης, αναφορά θα γίνει και στο ιδιαιτέρως σημαντικό ζήτημα της ιδιωτικότητας που προκύπτει και σε διάφορες τεχνικές για την αποφυγή τέτοιων περιπτώσεων απώλειας ή αποκάλυψης προσωπικών δεδομένων. 2021-02-10T13:22:03Z 2021-02-10T13:22:03Z 2020-10 http://hdl.handle.net/11610/21464 el_GR Default License 56 σ. application/pdf Σάμος
spellingShingle	κακόβουλη μηχανική μάθηση επιθέσεις διαφυγής επιθέσεις δηλητηρίασης δεδομένων ιδιωτικότητα στη μηχανική μάθηση adversarial machine learning evasion attacks data poisoning attacks privacy in machine learning Machine learning Computer security Κουδέρη, Χριστίνα Κακόβουλη μηχανική μάθηση
title	Κακόβουλη μηχανική μάθηση
title_full	Κακόβουλη μηχανική μάθηση
title_fullStr	Κακόβουλη μηχανική μάθηση
title_full_unstemmed	Κακόβουλη μηχανική μάθηση
title_short	Κακόβουλη μηχανική μάθηση
title_sort	κακόβουλη μηχανική μάθηση
topic	κακόβουλη μηχανική μάθηση επιθέσεις διαφυγής επιθέσεις δηλητηρίασης δεδομένων ιδιωτικότητα στη μηχανική μάθηση adversarial machine learning evasion attacks data poisoning attacks privacy in machine learning Machine learning Computer security
url	http://hdl.handle.net/11610/21464
work_keys_str_mv	AT kouderēchristina kakoboulēmēchanikēmathēsē AT kouderēchristina adversarialmachinelearning

Κακόβουλη μηχανική μάθηση

Παρόμοια τεκμήρια