| dc.contributor.advisor | Κοτζανικολάου, Παναγιώτης | |
| dc.contributor.author | Σούλτος, Γεώργιος | |
| dc.date.accessioned | 2025-12-11T10:50:37Z | |
| dc.date.available | 2025-12-11T10:50:37Z | |
| dc.date.issued | 2025-10 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18682 | |
| dc.description.abstract | Ο εντοπισμός και η πρόβλεψη κυβερνοαπειλών αποτελούν ένα από τα πιο σύνθετα προβλήματα που καλούνται να αντιμετωπίσουν οι ομάδες κυβερνοασφάλειας στα πλαίσια της ραγδαίας ψηφιακής ανάπτυξης και της άμεσης διαδικτυακής επικοινωνίας που απαιτούν τα σύγχρονα υπολογιστικά συστήματα. Ο κλάδος αυτός, απασχολεί τα τελευταία χρόνια τόσο τις ομάδες άμεσης απόκρισης και αντιμετώπισης των συμβάντων ασφαλείας, όσο και την ακαδημαϊκή κοινότητα της κυβερνοασφάλειας. Για το σκοπό αυτό έχουν γίνει αρκετές προσπάθειες ανάπτυξης συστημάτων εντοπισμού και πρόβλεψης επιθέσεων, προσφέροντας έτσι στους αναλυτές ασφαλείας πολύτιμο χρόνο για την αντιμετώπιση των ενδεχόμενων απειλών. Επιπλέον ο συνδυασμός τεχνικών από την επιστήμη δεδομένων έχει καταφέρει να βελτιώσει σημαντικά την αποτελεσματικότητα αυτών των υλοποιήσεων αξιοποιώντας μεθοδολογίες τεχνητής νοημοσύνης και μηχανικής μάθησης.
Στη παρούσα διπλωματική εργασία, αναλύονται ορισμένες από τις διαθέσιμες υλοποιήσεις ανίχνευσης και πρόβλεψης κυβερνοεπιθέσεων, και επιπλέον παρουσιάζεται μια συγκριτική μελέτη των εργαλείων πρόβλεψης κατανεμημένων επιθέσεων άρνησης υπηρεσιών. Η εργασία αυτή στοχεύει στην ανάλυση και τη σύγκριση των διαφορετικών τεχνικών μηχανικής μάθησης που χρησιμοποιήθηκαν από τις επιλεγμένες υλοποιήσεις, ως προς την ακρίβεια και τον χρόνο πρόβλεψης. | el |
| dc.format.extent | 57 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Ανίχνευση και πρόβλεψη κυβερνοαπειλών : μελέτη περίπτωσης για κατανεμημένες επιθέσεις άρνησης υπηρεσίας | el |
| dc.title.alternative | Cyber threat detection and prediction : a case study for distributed denial of service attacks | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | Detection and prediction of cyber threats are considered one of the most complicated challenges faced by cybersecurity teams in the era of rapid digital growth and instant online communication required by modern computing systems. In recent years, this field has engaged both incident-response and security-operation teams as well as the academic cybersecurity community. To this end, several efforts have been made to develop sophisticated systems for detecting and predicting cyberthreats to provide security analysts valuable time to address the potential incident. Moreover, the integration of data-science techniques has significantly improved the accuracy of these implementations by leveraging artificial intelligence and machine learning methodologies.
This thesis analyses several implementations for detecting and predicting cyberattacks and presents a comparative case study of tools focusing on predicting Distributed Denial of Service (DDoS) attacks. The purpose of this paper is to compare the different machine learning techniques used in the selected implementations in the aspects of model accuracy and time prediction. | el |
| dc.contributor.master | Κυβερνοασφάλεια και Επιστήμη Δεδομένων | el |
| dc.subject.keyword | DDoS | el |
| dc.subject.keyword | EWS | el |
| dc.subject.keyword | Cyber threat prediction | el |
| dc.subject.keyword | Cyber threat detection | el |
| dc.date.defense | 2025-10 | |
