| dc.contributor.advisor | Δουληγέρης, Χρήστος | |
| dc.contributor.author | Πάκια, Λυδία | |
| dc.date.accessioned | 2025-10-08T09:13:10Z | |
| dc.date.available | 2025-10-08T09:13:10Z | |
| dc.date.issued | 2025-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18199 | |
| dc.description.abstract | Η ραγδαία εξάπλωση των κυβερνοαπειλών και η πολυπλοκότητα των σύγχρονων επιθέσεων καθιστούν επιτακτική την ανάγκη για προηγμένες και προσαρμοστικές μεθόδους ανίχνευσης και αντιμετώπισης. Η παρούσα εργασία εξετάζει τη συμβολή της μηχανικής μάθησης στην ενίσχυση της κυβερνοασφάλειας, με έμφαση στην ανίχνευση κυβερνοεπιθέσεων μέσω ευφυών αλγορίθμων. Αρχικά, παρουσιάζεται το θεωρητικό υπόβαθρο της κυβερνοασφάλειας και οι βασικές αρχές της μηχανικής μάθησης, ενώ στη συνέχεια αναλύονται αναλυτικά οι σημαντικότερες κατηγορίες αλγορίθμων που εφαρμόζονται στον εντοπισμό επιθέσεων, όπως οι αλγόριθμοι κατηγοριοποίησης, τα νευρωνικά δίκτυα και οι τεχνικές ανίχνευσης ανωμαλιών. Μέσα από εκτενή βιβλιογραφική ανασκόπηση, αξιολογούνται οι επιδόσεις των μεθόδων αυτών σε αντιπροσωπευτικά σύνολα δεδομένων και εντοπίζονται οι κύριες ερευνητικές προσεγγίσεις στον τομέα. Η μελέτη καταλήγει σε κρίσιμα συμπεράσματα αναφορικά με την αποτελεσματικότητα των τεχνικών αυτών, αναδεικνύοντας παράλληλα τις προκλήσεις που παραμένουν και τις μελλοντικές κατευθύνσεις έρευνας. Σκοπός της εργασίας είναι να συμβάλει στην καλύτερη κατανόηση των τεχνολογικών δυνατοτήτων και περιορισμών της μηχανικής μάθησης στο πεδίο της κυβερνοασφάλειας και να προσφέρει ένα χρήσιμο πλαίσιο αναφοράς για ερευνητές και επαγγελματίες του κλάδου. | el |
| dc.format.extent | 42 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Μηχανική μάθηση στην ανίχνευση κυβερνοεπιθέσεων : βιβλιογραφική ανασκόπηση των μεθόδων και των τεχνολογιών | el |
| dc.title.alternative | Machine learning in cyberattack detection : a literature review of methods and technologies | el |
| dc.type | Bachelor Dissertation | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | The rapid proliferation of cyber threats and the increasing complexity of modern attacks highlight the urgent need for advanced and adaptive detection and mitigation mechanisms. This study explores the contribution of machine learning to cybersecurity enhancement, with a particular focus on cyberattack detection through intelligent algorithms. Initially, the theoretical background of cybersecurity and the core principles of machine learning are presented. The analysis then focuses on the most prominent categories of algorithms applied in intrusion detection, including classification models, neural networks, and anomaly detection techniques. Through an extensive literature review, the performance of these methods is evaluated on representative datasets, and key research approaches in the field are identified. The study concludes with critical findings regarding the effectiveness of these techniques, while also highlighting existing challenges and future research directions. The main objective is to contribute to a deeper understanding of the technological capabilities and limitations of machine learning in the context of cybersecurity, offering a useful reference framework for researchers and professionals in the field. | el |
| dc.subject.keyword | Κυβερνοασφάλεια | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Ανίχνευση εισβολών | el |
| dc.subject.keyword | Ανίχνευση ανωμαλιών | el |
| dc.subject.keyword | Αλγόριθμοι κατηγοριοποίησης | el |
| dc.subject.keyword | Βαθιά μάθηση | el |
| dc.subject.keyword | Νευρωνικά δίκτυα | el |
| dc.subject.keyword | Κυβερνοαπειλές | el |
| dc.subject.keyword | Συστήματα IDS | el |
| dc.subject.keyword | Μελλοντική έρευνα | el |
| dc.date.defense | 2025-10-06 | |
