Ανάπτυξη μηχανισμού ανίχνευσης κλοπής ταυτοτήτων στο Metaverse με χρήση μοντέλων τεχνητής νοημοσύνης
| dc.contributor.advisor | Κοτζανικολάου, Παναγιώτης | |
| dc.contributor.author | Μίχος, Γεώργιος | |
| dc.date.accessioned | 2025-10-24T06:47:51Z | |
| dc.date.available | 2025-10-24T06:47:51Z | |
| dc.date.issued | 2025-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18253 | |
| dc.description.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. | el |
| dc.format.extent | 62 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Ανάπτυξη μηχανισμού ανίχνευσης κλοπής ταυτοτήτων στο Metaverse με χρήση μοντέλων τεχνητής νοημοσύνης | el |
| dc.title.alternative | Development of an identity theft detection mechanism in the Metaverse using Artificial Intelligence models | el |
| dc.type | Bachelor Dissertation | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | This thesis investigates Identity Theft detection in the Metaverse, combining a conceptual framework with a technical implementation. It first analyzes the key definitions (Metaverse, Digital Identity, Artificial Intelligence, Machine Learning) and situates the problem of identity theft within the broader domains of cybersecurity and privacy, highlighting why digital identity is a critical trust asset in the ecosystem of interconnected virtual worlds. The purpose and objectives are articulated both as a vehicle for informing and theoretical clarification (definitions, risks, the role of identities) and as an avenue for experimental investigation with ML, with a focus on Anomaly Detection. The study is organized into thematic sections (definitions/threat landscape, ML algorithms, evaluation criteria, system architecture, analysis of results) so that theory directly guides the design of the detection mechanism. On the technical side, an Identity Theft ML pipeline is implemented for data loading, preprocessing, training, evaluation, and visualization, and the algorithms Logistic Regression, Support Vector Machine, Random Forest, K-Nearest Neighbors, and Keras MLP are compared using accuracy/precision/recall/F1 metrics, with confirmation via cross-validation. Evaluation is conducted on two datasets: a behavioral one (User Activity) for avatar motion/pose profiling and a network-level one (UNSW-NB15) for attack detection. In the behavioral dataset, RF and KNN achieve excellent performance, demonstrating that simple, robust models suffice when behavioral patterns are clean and balanced. By contrast, on UNSW-NB15, binary detection is significantly more reliable than multi-class, where class imbalance and heterogeneity lead to performance degradation. The thesis concludes that Random Forest provides an excellent baseline for Identity Theft detection in the Metaverse, and it proposes future improvements through strengthening multi-class methodologies, targeted feature engineering, and trials on real platforms for near real-time monitoring. | el |
| dc.subject.keyword | Metaverse | el |
| dc.subject.keyword | Digital identity | el |
| dc.subject.keyword | Identity theft | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Artificial Intelligence | el |
| dc.date.defense | 2025-09-29 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα