Ανίχνευση επιθέσεων ηλεκτρονικού ψαρέματος με χρήση τεχνικών επιτηρούμενης μάθησης

Αντικείμενο της παρούσας εργασίας είναι οι απειλές που υπάρχουν στα online κοινωνικά δίκτυα και το πώς αυτές μπορούν να εντοπιστούν μέσω μηχανικής μάθησης. Συγκεκριμένα, η διπλωματική εστιάζει στις επιθέσεις ηλεκτρονικού ψαρέματος και το αν αυτές μπορούν να ανιχνευτούν αποτελεσματικά από ένα σύστημα...

Πλήρης περιγραφή

Αποθηκεύτηκε σε:
Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Ανδρέου, Θεοδώρα
Άλλοι συγγραφείς: Καμπουράκης, Γεώργιος
Γλώσσα:el_GR
Δημοσίευση: 2024
Θέματα:
Διαθέσιμο Online:http://hdl.handle.net/11610/26364
Ετικέτες: Προσθήκη ετικέτας
Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!
_version_ 1828460340076085248
author Ανδρέου, Θεοδώρα
author2 Καμπουράκης, Γεώργιος
author_facet Καμπουράκης, Γεώργιος
Ανδρέου, Θεοδώρα
author_sort Ανδρέου, Θεοδώρα
collection DSpace
description Αντικείμενο της παρούσας εργασίας είναι οι απειλές που υπάρχουν στα online κοινωνικά δίκτυα και το πώς αυτές μπορούν να εντοπιστούν μέσω μηχανικής μάθησης. Συγκεκριμένα, η διπλωματική εστιάζει στις επιθέσεις ηλεκτρονικού ψαρέματος και το αν αυτές μπορούν να ανιχνευτούν αποτελεσματικά από ένα σύστημα ανίχνευσης εισβολών (IDS) που βασίζεται σε βασικούς ταξινομητές, τόσο ρηχής (shallow) όσο και βαθιάς (deep) μάθησης. Συνολικά, αξιολογούνται 5 μοντέλα στο δημοσίως προσβάσιμο σύνολο δεδομένων (dataset) “Web page phishing detection”. Τα αποτελέσματα δείχνουν ότι ο καλύτερος εντοπισμός των εν λόγω απειλών γίνεται με τη χρήση του μοντέλου Support Vector Machine.
id oai:hellanicus.lib.aegean.gr:11610-26364
institution Hellanicus
language el_GR
publishDate 2024
record_format dspace
spelling oai:hellanicus.lib.aegean.gr:11610-263642024-06-19T09:05:04Z Ανίχνευση επιθέσεων ηλεκτρονικού ψαρέματος με χρήση τεχνικών επιτηρούμενης μάθησης Ανδρέου, Θεοδώρα Καμπουράκης, Γεώργιος μηχανική μάθηση εντοπισμός απειλών ηλεκτρονικό ψάρεμα machine learning attack detection phishing Machine learning Online social networks -- Security measures Phishing Αντικείμενο της παρούσας εργασίας είναι οι απειλές που υπάρχουν στα online κοινωνικά δίκτυα και το πώς αυτές μπορούν να εντοπιστούν μέσω μηχανικής μάθησης. Συγκεκριμένα, η διπλωματική εστιάζει στις επιθέσεις ηλεκτρονικού ψαρέματος και το αν αυτές μπορούν να ανιχνευτούν αποτελεσματικά από ένα σύστημα ανίχνευσης εισβολών (IDS) που βασίζεται σε βασικούς ταξινομητές, τόσο ρηχής (shallow) όσο και βαθιάς (deep) μάθησης. Συνολικά, αξιολογούνται 5 μοντέλα στο δημοσίως προσβάσιμο σύνολο δεδομένων (dataset) “Web page phishing detection”. Τα αποτελέσματα δείχνουν ότι ο καλύτερος εντοπισμός των εν λόγω απειλών γίνεται με τη χρήση του μοντέλου Support Vector Machine. 2024-05-23T08:25:41Z 2024-05-23T08:25:41Z 2023-09-24 http://hdl.handle.net/11610/26364 el_GR Αναφορά Δημιουργού - Παρόμοια Διανομή 4.0 Διεθνές http://creativecommons.org/licenses/by-sa/4.0/ 72 σ. application/pdf Σάμος
spellingShingle μηχανική μάθηση
εντοπισμός απειλών
ηλεκτρονικό ψάρεμα
machine learning
attack detection
phishing
Machine learning
Online social networks -- Security measures
Phishing
Ανδρέου, Θεοδώρα
Ανίχνευση επιθέσεων ηλεκτρονικού ψαρέματος με χρήση τεχνικών επιτηρούμενης μάθησης
title Ανίχνευση επιθέσεων ηλεκτρονικού ψαρέματος με χρήση τεχνικών επιτηρούμενης μάθησης
title_full Ανίχνευση επιθέσεων ηλεκτρονικού ψαρέματος με χρήση τεχνικών επιτηρούμενης μάθησης
title_fullStr Ανίχνευση επιθέσεων ηλεκτρονικού ψαρέματος με χρήση τεχνικών επιτηρούμενης μάθησης
title_full_unstemmed Ανίχνευση επιθέσεων ηλεκτρονικού ψαρέματος με χρήση τεχνικών επιτηρούμενης μάθησης
title_short Ανίχνευση επιθέσεων ηλεκτρονικού ψαρέματος με χρήση τεχνικών επιτηρούμενης μάθησης
title_sort ανίχνευση επιθέσεων ηλεκτρονικού ψαρέματος με χρήση τεχνικών επιτηρούμενης μάθησης
topic μηχανική μάθηση
εντοπισμός απειλών
ηλεκτρονικό ψάρεμα
machine learning
attack detection
phishing
Machine learning
Online social networks -- Security measures
Phishing
url http://hdl.handle.net/11610/26364
work_keys_str_mv AT andreoutheodōra anichneusēepitheseōnēlektronikoupsarematosmechrēsētechnikōnepitēroumenēsmathēsēs