Ανάπτυξη μηχανισμού ανίχνευσης κλοπής ταυτοτήτων στο Metaverse με χρήση μοντέλων τεχνητής νοημοσύνης

Abstract

Η παρούσα εργασία εξετάζει την ανίχνευση Identity Theft στο περιβάλλον του Metaverse, συνδυάζοντας εννοιολογικό πλαίσιο και τεχνική υλοποίηση. Αρχικά γίνεται ανάλυση των βασικών ορισμών (Metaverse, Digital Identity, Artificial Intelligence, Machine Learning) και τοποθετείται το πρόβλημα της κλοπής ταυτότητας (Identity Theft) στο γενικότερο πεδίο της κυβερνοασφάλειας και της ιδιωτικότητας, αναδεικνύοντας γιατί η ψηφιακή ταυτότητα αποτελεί κρίσιμο πόρο εμπιστοσύνης στο οικοσύστημα των διασυνδεδεμένων εικονικών κόσμων. Ο σκοπός και οι στόχοι διατυπώνονται αφενός μέσω, ενημέρωσης και θεωρητικής αποσαφήνισης (ορισμοί, κίνδυνοι, ρόλος ταυτοτήτων), αφετέρου, μέσω πειραματικής διερεύνησης με ML και εστίαση στο Anomaly Detection. Η μελέτη οργανώνεται σε θεματικές ενότητες (ορισμοί/κινδυνολογία, αλγόριθμοι ML, κριτήρια αξιολόγησης, αρχιτεκτονική συστήματος, ανάλυση αποτελεσμάτων), ώστε η θεωρία να οδηγεί άμεσα στον σχεδιασμό του μηχανισμού ανίχνευσης.

Στο τεχνικό μέρος υλοποιείται Identity Theft ML για φόρτωση, προεπεξεργασία, εκπαίδευση, αξιολόγηση, οπτικοποίηση και συγκρίνονται οι αλγόριθμοι Logistic Regression, Support Vector Machine, Random Forest, K Nearest Neighbors και Keras MLP, με μετρικές accuracy/precision/recall/F1 και γίνεται επιβεβαίωση μέσω cross validation. Η αξιολόγηση γίνεται σε δύο dataset, ένα behavioral (User Activity) για προφίλ κίνησης/στάσης avatar και ένα network level (UNSW-NB15) για ανίχνευση επιθέσεων. Στο behavioral σύνολο, ο RF και ο KNN επιτυγχάνουν άριστη επίδοση, τεκμηριώνοντας ότι απλά, στιβαρά μοντέλα επαρκούν όταν τα πρότυπα συμπεριφοράς είναι καθαρά και ισορροπημένα. Αντιθέτως, στο UNSW-NB15 η binary ανίχνευση είναι σημαντικά πιο αξιόπιστη από τη multi-class, όπου η ανισορροπία κλάσεων και η ετερογένεια οδηγούν σε πτώση επιδόσεων. Η εργασία καταλήγει στο ότι ο Random Forest αποτελεί εξαιρετική βάση για ανίχνευση Identity Theft στο Metaverse, ενώ γίνονται και προτάσεις για μελλοντικές βελτιώσεις μέσο ενίσχυσης multi-class μεθοδολογιών, στοχευμένο feature engineering και δοκιμές σε πραγματικές πλατφόρμες για near real-time monitoring.