Adversarial evasion attacks against 5G intrusion detection - Evaluation, adversarial training, and synthetic augmentation

dc.contributor.advisor	Xenakis, Christos
dc.contributor.advisor	Ξενάκης, Χρήστος
dc.contributor.author	Klavdianos, Georgios
dc.contributor.author	Κλαυδιανός, Γεώργιος
dc.date.accessioned	2026-03-16T08:17:58Z
dc.date.available	2026-03-16T08:17:58Z
dc.date.issued	2026-02-24
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/19007
dc.format.extent	80	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
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	Adversarial evasion attacks against 5G intrusion detection - Evaluation, adversarial training, and synthetic augmentation	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.contributor.master	Ασφάλεια Ψηφιακών Συστημάτων	el
dc.subject.keyword	5G intrusion detection	el
dc.subject.keyword	Adversarial attacks	el
dc.subject.keyword	Synthetic data augmentation	el
dc.subject.keyword	Adversarial training	el
dc.subject.keyword	Machine learning	el
dc.subject.keyword	Binary classification	el
dc.date.defense	2026-02-27

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα