https://dione.lib.unipi.gr/xmlui/handle/unipi/1683 Department of Informatics Sat, 27 Jun 2026 16:37:22 GMT 2026-06-27T16:37:22Z https://dione.lib.unipi.gr/xmlui/handle/unipi/19472 Συγκριτική ανάλυση μοντέλων μηχανικής μάθησης για ανίχνευση εισβολών (Dataset : CIC-IDS-2017) Κωνσταντάκος, Ιωάννης Η εργασία αυτή επικεντρώνεται στη συγκριτική ανάλυση μοντέλων μηχανικής μάθησης για την ανίχνευση εισβολών κυβερνοασφάλειας, χρησιμοποιώντας το σύνολο δεδομένων CIC-IDS-2017. Παρέχει μια εις βάθος κατανόηση και αξιολόγηση διαφόρων αλγορίθμων μηχανικής μάθησης, όπως το Random Forest, τα Νευρωνικά Δίκτυα, το XGBoost και τα Δέντρα Αποφάσεων, συγκρίνοντας την απόδοσή τους με βάση βασικούς δείκτες (όπως Area Under the Curve και Accuracy) αλλά και την ταχύτητα εκτέλεσης. Η μελέτη εξετάζει τις προκλήσεις στην ανίχνευση εισβολών σε δίκτυα και τον ρόλο της μηχανικής μάθησης στη βελτίωση της ακρίβειας ανίχνευσης αυτών των επιθέσεων. Τα αποτελέσματα παρέχουν πολύτιμες πληροφορίες για την αποτελεσματικότητα των διαφόρων μοντέλων μηχανικής μάθησης σε εφαρμογές κυβερνοασφάλειας. Fri, 01 May 2026 00:00:00 GMT https://dione.lib.unipi.gr/xmlui/handle/unipi/19472 2026-05-01T00:00:00Z https://dione.lib.unipi.gr/xmlui/handle/unipi/19469 Intrusion detection systems based on Artificial Intelligence Dermetzopoulos, Theofanis; Δερμετζόπουλος, Θεοφάνης Τα Συστήματα Ανίχνευσης Εισβολών που βασίζονται στην Τεχνητή Νοημοσύνη χρησιμοποιούνται όλο και περισσότερο για την προστασία σύγχρονων ψηφιακών υποδομών από σύνθετες και εξελισσόμενες κυβερνοαπειλές. Οι παραδοσιακές μέθοδοι ανίχνευσης, που βασίζονται κυρίως σε κανόνες και γνωστές υπογραφές επιθέσεων, παρουσιάζουν περιορισμούς απέναντι σε άγνωστες απειλές, μεταβαλλόμενη δικτυακή συμπεριφορά και μεγάλο όγκο δεδομένων ασφαλείας. Οι τεχνικές Μηχανικής Μάθησης και Βαθιάς Μάθησης μπορούν να ενισχύσουν την ανίχνευση, όμως εξακολουθούν να αντιμετωπίζουν προκλήσεις όπως η εξάρτηση από τα δεδομένα, τα ψευδώς θετικά αποτελέσματα, η περιορισμένη επεξηγησιμότητα, το υπολογιστικό κόστος και η ευπάθεια σε αντιπαραθετική χειραγώγηση. Η παρούσα διπλωματική εργασία εξετάζει τα AI-based Intrusion Detection Systems και προτείνει την ARIADNE, μια ενισχυμένη μεθοδολογία που στοχεύει στην πιο αξιόπιστη και trustworthy αξιολόγηση της ανίχνευσης εισβολών. Το ARIADNE συνδυάζει δομημένη προεπεξεργασία, χειρισμό κατηγορικών χαρακτηριστικών, πρόληψη διαρροής μεταβλητών-στόχων, αντιπαραθετική εκπαίδευση και δοκιμή, καθώς και ανάλυση σημαντικότητας χαρακτηριστικών. Η αξιολόγηση πραγματοποιείται στο σύνολο δεδομένων UNSW-NB15 με ταξινομητές Random Forest και XGBoost, σε δυαδικές και πολυκατηγορικές εργασίες ταξινόμησης. Τα αποτελέσματα δείχνουν ότι η προτεινόμενη μεθοδολογία υποστηρίζει ισχυρή απόδοση ανίχνευσης, ενώ επιτρέπει την εξέταση της συμπεριφοράς των μοντέλων υπό συνθήκες τροποποιημένων εισόδων. Συνολικά, η ARIADNE παρέχει μια δομημένη μεθοδολογία αξιολόγησης πέρα από την απλή ακρίβεια, συνδυάζοντας απόδοση, αντιπαραθετική ευρωστία και επεξηγησιμότητα. Mon, 01 Jun 2026 00:00:00 GMT https://dione.lib.unipi.gr/xmlui/handle/unipi/19469 2026-06-01T00:00:00Z https://dione.lib.unipi.gr/xmlui/handle/unipi/19468 Trustworthy AI-based supply chains Giannaris, Vasileios; Γιάνναρης, Βασίλειος Mon, 01 Jun 2026 00:00:00 GMT https://dione.lib.unipi.gr/xmlui/handle/unipi/19468 2026-06-01T00:00:00Z https://dione.lib.unipi.gr/xmlui/handle/unipi/19461 Explainability methods in large language models Kyrimi, Agapi; Κυρίμη, Αγάπη Η παρούσα μεταπτυχιακή διατριβή εξετάζει τη συμπεριφορική επεξηγησιμότητα με βάση αντιπαραδειγματικές μεταβολές στο πεδίο της ιατρικής ερώτησης-απάντησης, χρησιμοποιώντας το Llama 2, ένα γλωσσικό μοντέλο τύπου decoder-only transformer που εκτελείται τοπικά. Η μελέτη πραγματοποιείται στο σύνολο δεδομένων HealthCareMagic ChatDoctor, το οποίο περιλαμβάνει ζεύγη ερωτήσεων ασθενών και απαντήσεων ιατρών από διαδικτυακές ιατρικές συμβουλές. Ο βασικός στόχος δεν είναι η κλινική επικύρωση, αλλά η συμπεριφορική ανάλυση του μοντέλου: διερευνάται πώς μικρές και ελεγχόμενες αλλαγές σε ιατρικά σημαντικά σημεία μιας ερώτησης ασθενούς επηρεάζουν τη δομή και το περιεχόμενο της παραγόμενης απάντησης. Για τον σκοπό αυτό, υλοποιείται μια αντιπαραδειγματική διαδικασία οργανωμένη σε φάσεις, κατά την οποία εξάγεται από κάθε ερώτηση ένα μικρό σύνολο επιδραστικών ιατρικών όρων και εφαρμόζεται μία στοχευμένη αντικατάσταση ανά αντιπαραδειγματική προσπάθεια. Πραγματοποιούνται τρεις πειραματικές φάσεις στο ίδιο σταθερό υποσύνολο αξιολόγησης 100 διαδοχικών δειγμάτων: τροποποιήσεις μόνο με συνώνυμα (SYN_ONLY), τροποποιήσεις μόνο με αντώνυμα ή άρνηση (ANT_ONLY), και μία συνδυαστική φάση στην οποία οι δύο οικογένειες τροποποιήσεων παράγονται και παρακολουθούνται ξεχωριστά (BOTH). Οι αντιπαραδειγματικές απαντήσεις παράγονται σύμφωνα με ένα αυστηρό σχήμα εξόδου, ώστε να είναι δυνατή η συνεπής μεταγενέστερη αξιολόγηση. Η συμπεριφορά του μοντέλου ποσοτικοποιείται μέσω ενός συμπληρωματικού συνόλου σημασιολογικών και λεξικών μετρικών ομοιότητας μεταξύ της απάντησης αναφοράς του ιατρού και της αντιπαραδειγματικής απάντησης του μοντέλου. Οι μετρικές αυτές περιλαμβάνουν τη συνημιτονική ομοιότητα TF-IDF, τον λόγο ομοιότητας SequenceMatcher, τη συνημιτονική ομοιότητα βάσει βιοϊατρικών ενσωματώσεων προτάσεων, καθώς και τις μετρικές ROUGE-L και METEOR. Επιπλέον, εφαρμόζεται ένα προ εκπαιδευμένο μοντέλο Natural Language Inference ως εκτός-πεδίου προσεγγιστικό σήμα για τον εντοπισμό συμπεριφοράς που μοιάζει με αντίφαση μεταξύ των απαντήσεων αναφοράς και των αντιπαραδειγματικών απαντήσεων. Για να μην αποκρύπτονται τα συμπεριφορικά συμπεράσματα από σφάλματα μορφοποίησης ή αποτυχίες της διαδικασίας, τα αποτελέσματα παρουσιάζονται σε δύο κατηγορίες αξιολόγησης: ROBUST, που περιλαμβάνει όλες τις προσπάθειες, ακόμη και τις αποτυχημένες, και STRICT, που περιλαμβάνει μόνο τις ορθά μορφοποιημένες εξόδους από τις οποίες μπορεί να εξαχθεί απάντηση. Τέλος, πραγματοποιείται ανάλυση σφαλμάτων με βάση την αποθηκευμένη προσωρινή μνήμη των αποτελεσμάτων, με στόχο τον χαρακτηρισμό της κάλυψης και των τρόπων αποτυχίας ανά πειραματική φάση, καθώς και τη σύνδεση των παρατηρούμενων αποκλίσεων με τη στάθμιση σημαντικότητας των όρων που τροποποιήθηκαν. Συνολικά, η διατριβή προτείνει μια επαναλήψιμη μεθοδολογία για την ανάλυση της ανθεκτικότητας και της ευαισθησίας παραγωγικών ιατρικών βοηθών υπό ελεγχόμενες αντιπαραδειγματικές αλλαγές. Fri, 01 May 2026 00:00:00 GMT https://dione.lib.unipi.gr/xmlui/handle/unipi/19461 2026-05-01T00:00:00Z