Ανάπτυξη μηχανισμού εντοπισμού κακόβουλου λογισμικού σε εφαρμογές διαδικτύου με χρήση αλγορίθμου μηχανικής μάθησης
| dc.contributor.advisor | Νταντογιάν, Χριστόφορος | |
| dc.contributor.author | Τριανταφύλλου, Γεώργιος | |
| dc.date.accessioned | 2018-01-22T08:53:46Z | |
| dc.date.available | 2018-01-22T08:53:46Z | |
| dc.date.issued | 2017-04 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/10699 | |
| dc.description.abstract | Η παρούσα διατριβή επιχειρεί να δώσει λύση σε μία από τις σημαντικότερες απειλές που καλείται να αντιμετωπίσει ένας διαχειριστής ιστοτόπου, αυτό του εντοπισμού αγνώστου κακόβουλου λογισμικού, όταν αυτό προσβάλει τα συστήματα τους, καθώς οι περισσότεροι μηχανισμοί anti-malware αδυνατούν να εντοπίσουν έγκαιρα τέτοιου είδους λογισμικά, με αποτέλεσμα την έκθεση σε κίνδυνο αυτών των συστημάτων να είναι σχεδόν βεβαία. Σε αντίθεση με τα υφιστάμενα αντιμέτρα, ο παρόν μηχανισμός εντοπισμού κακόβουλου λογισμικού σχεδιάστηκε και υλοποιήθηκε με την εφαρμογή εργαλείων ανοιχτού κώδικα και είναι σε θέση να εντοπίζει κακόβουλο λογισμικό με χρήση μηχανισμών μηχανικής μάθησης και συγκεκριμένα με τον αλγόριθμο Naïve Bayes. Ο Naïve Bayes μετά από την απαραίτητη εκπαίδευση, έχει την δυνατότητα να είναι σε θέση να εντοπίζει με μεγάλο ποσοστό επιτυχίας άγνωστο κυρίως κακόβουλο λογισμικό. Στην συνέχεια σχεδιάστηκαν δύο δοκιμασίες έτσι ώστε να γίνει όσο το δυνατόν ακριβέστερη η μέτρηση της απόδοσης του μηχανισμού, ενώ οι αξιολογήσεις έγιναν βασιζόμενες στις αρχές της αποτίμησης της αποτελεσματικότητας. Στις δοκιμασίες αυτές έγινε σύγκριση των αποτελεσμάτων με επιπλέον τρεις αντίστοιχους μηχανισμούς οι οποίοι είναι ανοιχτού κώδικα και χρησιμοποιούνται ευρέως για τον εντοπισμό κακόβουλου λογισμικού από τους διαχειριστές εξυπηρετητών διαδικτύου. Τα αποτελέσματα τα οποία εμφανίζει ο μηχανισμός κρίνονται ιδιαιτέρως ικανοποιητικά καθώς αυτός καθίσταται ικανός σύμφωνα με το επίπεδο της εκπαίδευσης του να εντοπίσει το σύνολο του γνωστού αλλά και αγνώστου κακόβουλου λογισμικού και ταυτόχρονα να ελαχιστοποιήσει τα σφάλματα τύπου false positive | el |
| dc.format.extent | 62 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.title | Ανάπτυξη μηχανισμού εντοπισμού κακόβουλου λογισμικού σε εφαρμογές διαδικτύου με χρήση αλγορίθμου μηχανικής μάθησης | el |
| dc.title.alternative | Development of a mechanism that detects malicious software on web applications using machine learning algorithm | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | This postgraduate thesis aims to resolve one of the most serious threats web administrators face in their jobs: Quick identification of unknown malicious software, when this compromises their systems. Using the current solutions, it is not possible for this malicious software to be directly detected thus resulting in the jeopardization of information systems. Unlike currently existing counter-measures, this project has been designed and developed to be able to detect malicious software using machine learning and the Naïve Bayes algorithm, which is used in spam filters and has the ability to detect, with high percentage, an unknown malicious file. Two tests were designed to measure the results of the anti-malware project. These were based on the fundamentals of assessing the effectiveness. In these tests, the project was compared, in terms of effectiveness, with three other open source anti-malware applications, which are broadly used by web administrators in order to detect malicious software. The final results of the mechanism showed that it can achieve high detection rates, because it detected all of the malicious software that had been injected to the server, whereas it also decreases false positive rate errors drastically. | el |
| dc.contributor.master | Ασφάλεια Ψηφιακών Συστημάτων | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Naïve Bayes | el |
| dc.subject.keyword | Python | el |
| dc.subject.keyword | Μηχανισμός ανίχνευσης | el |
| dc.subject.keyword | Κακόβουλο λογισμικό | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Anti-malware mechanism | el |
| dc.subject.keyword | Malicious software | el |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές