Bot generation and detection for sensor time series data using LSTM
Στην εποχή του IoT, οι συσκευές παράγουν τεράστιες και συνεχείς ροές πληροφοριών. Διερευνώντας τέτοιες ροές δεδομένων για νέα γεγονότα, προβλέποντας μελλοντικές εμπειρίες και αποφασίζοντας για δυνατότητες ελέγχου, χρησιμοποιούνται προγράμματα που αυτοματοποιούν την περιήγηση και εκτελούν ορισμ...
Saved in:
| Main Author: | |
|---|---|
| Other Authors: | |
| Language: | English |
| Published: |
2023
|
| Subjects: | |
| Online Access: | http://hdl.handle.net/11610/25799 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Στην εποχή του IoT, οι συσκευές παράγουν τεράστιες και συνεχείς ροές πληροφοριών.
Διερευνώντας τέτοιες ροές δεδομένων για νέα γεγονότα, προβλέποντας μελλοντικές εμπειρίες και
αποφασίζοντας για δυνατότητες ελέγχου, χρησιμοποιούνται προγράμματα που αυτοματοποιούν την
περιήγηση και εκτελούν ορισμένες εντολές που ονομάζονται bots. Σήμερα, τα bots απαιτούνται
λόγω του τεράστιου διαθέσιμου περιεχομένου, αλλά έχουν χρησιμοποιηθεί και για διάφορους
κακόβουλους σκοπούς, όπως επιθέσεις botnet, παραπληροφόρηση και χειραγώγηση διαδικτυακών
συνομιλιών.
Τα bots που βασίζονται στην τεχνητή νοημοσύνη βρίσκονται σε άνοδο αυτές τις μέρες, με τη
δυνατότητα να αναγνωρίζουν το μοτίβο χρήσης ενός χρήστη και να αναπτύσσονται ανάλογα. Ως
αντίμετρο, στον τομέα της αποφυγής οποιασδήποτε μορφής επιθέσεων από bot, τα συστήματα που
βασίζονται στη μάθηση είναι αναγκαία.
Σε αυτή τη μεταπτυχιακή διατριβή υιοθετείται, μια τεχνική για τη δημιουργία μιας χρονοσειράς
αισθητήρων από ένα bot που δημιουργείται με μεθόδους τεχνητής νοημοσύνης και στη συνέχεια
πρόκειται να ταξινομηθεί εάν μια χρονοσειρά προήλθε από bot ή άνθρωπο. Η δημιουργία του bot
προήλθε από GAN, με NN και LSTM και στη συνέχεια ανιχνεύθηκε από Bidirectional LSTM,
διερευνώντας την ακρίβεια και τη διαφορά, από συνθετικές έναντι πραγματικών χρονοσειρών, σε
διαφορετικά σενάρια εκπαίδευσης, με εξαιρετικά αποτελέσματα μερικές φορές έως και 100%. Στο
τέλος εξηγείται γιατί η δημιουργία, δεν λειτούργησε τόσο καλά λόγω converge failure και τι πρέπει
να ληφθεί υπόψη για τη μελλοντική εργασία, κατά τον συντονισμό ενός GAN, προκειμένου να
αποφευχθούν τα ίδια λάθη. |
|---|