Ανάλυση και συσχέτιση αζήτητης ηλεκτρονικής επικοινωνίας

Μιχαλά, Γεωργία

dc.contributor.advisor	Πατσάκης, Κωνσταντίνος
dc.contributor.author	Μιχαλά, Γεωργία
dc.date.accessioned	2021-02-09T06:26:40Z
dc.date.available	2021-02-09T06:26:40Z
dc.date.issued	2020-12
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/13247
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/670
dc.description.abstract	Η παρούσα διατριβή πραγματεύεται την δημιουργία μιας εφαρμογής η οποία συλλέγει κεφαλίδες μηνυμάτων ηλεκτρονικού ταχυδρομείου με σκοπό την ανάλυση τους και την εύρεση συνθηκών υπό των οποίων μπορεί να σημανθεί ένα μήνυμα ηλεκτρονικού ταχυδρομείου ως ανεπιθύμητο. Η εφαρμογή υλοποιήθηκε σε γλώσσα python. Οι κεφαλίδες των e-mails στέλνονται στις επιμέρους υπηρεσίες της εφαρμογής με τη χρήση του JSON Web Token και κατά την αποστολή αυτών με σκοπό την ανάλυση τους τοποθετούνται σε ουρά εργασιών μέσω του Celery. Η αποθήκευση των δεδομένων έγινε σε MySQL, MongoDB βάση δεδομένων και στο ElasticSearch. Επιπρόσθετη παραμετροποίηση των δεδομένων έγινε με τη βοήθεια του Logstash και η αναπαράσταση αυτών πραγματοποιήθηκε με τη συμβολή του Kibana.	el
dc.format.extent	74	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	Ανάλυση και συσχέτιση αζήτητης ηλεκτρονικής επικοινωνίας	el
dc.title.alternative	Spam analysis and correlation engine	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	This dissertation focuses on the creation of an application that collects e-mail headers in order to analyze them and find conditions from which an e-mail may be labeled as spam. The application was implemented in python language. The e-mail headers are sent to the individual services using the JSON Web Token and when sent for analyzing purposes they are placed in Celery Task Queue. The data was stored in MySQL, MongoDB database and ElasticSearch. Additional data configuration was performed with the help of Logstash and Kibana was used for data visualization capabilities.	el
dc.contributor.master	Πληροφορική	el
dc.subject.keyword	Kibana	el
dc.subject.keyword	Logstash	el
dc.subject.keyword	ElasticSearch	el
dc.subject.keyword	JWT	el
dc.subject.keyword	Celery	el
dc.subject.keyword	ELK	el
dc.subject.keyword	MongoDB	el
dc.subject.keyword	e-mails	el
dc.subject.keyword	Spam (Electronic mail)	el
dc.subject.keyword	Malicious software	el
dc.subject.keyword	API	el
dc.subject.keyword	Analysis	el
dc.subject.keyword	Dashboard	el
dc.subject.keyword	Python	el
dc.subject.keyword	Databases	el
dc.subject.keyword	MySQL	el
dc.subject.keyword	Mails	el
dc.date.defense	2020-12-23

Αρχεία σε αυτό το τεκμήριο

Name:: Michala_mpksa18016.pdf
Μέγεθος:: 3.141Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Πληροφορικής
Department of Informatics

Εμφάνιση απλής εγγραφής

Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές