Artificial Intelligence for malware detection in the medical Internet of Things

Batzakas, Stylianos; Μπατζάκας, Στυλιανός

dc.contributor.advisor	Xenakis, Christos
dc.contributor.advisor	Ξενάκης, Χρήστος
dc.contributor.author	Batzakas, Stylianos
dc.contributor.author	Μπατζάκας, Στυλιανός
dc.date.accessioned	2026-04-03T08:54:01Z
dc.date.available	2026-04-03T08:54:01Z
dc.date.issued	2026-03-30
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/19122
dc.description.abstract	Η ραγδαία εξάπλωση των συσκευών Internet of Things (IoT) σε περιβάλλοντα Medical IoT έχει εισαγάγει νέες προκλήσεις ασφάλειας, ιδιαίτερα στον εντοπισμό κακόβουλου λογισμικού που στοχεύει ιατρικά συστήματα IoT. Οι παραδοσιακές λύσεις antivirus που βασίζονται σε υπογραφές αποδεικνύονται συχνά ανεπαρκείς έναντι εξελισσόμενων και συγκαλυμμένων μορφών κακόβουλου λογισμικού, καθιστώντας αναγκαία την υιοθέτηση ευφυών μηχανισμών ανίχνευσης. Η παρούσα διπλωματική εργασία παρουσιάζει ένα πλαίσιο ανίχνευσης κακόβουλου λογισμικού βασισμένο σε τεχνικές βαθιάς μάθησης (Deep Learning) για Linux-based ιατρικές συσκευές IoT, μέσω μετασχηματισμού δυαδικών αρχείων σε αναπαραστάσεις εικόνας. Μελετώνται τόσο εικόνες κλίμακας του γκρι όσο και έγχρωμες (RGB), επιτρέποντας συγκριτική ανάλυση της αποτελεσματικότητάς τους σε εργασίες ταξινόμησης κακόβουλου λογισμικού. Συνελικτικά Νευρωνικά Δίκτυα (CNNs), όπως τα ResNet-18 και EfficientNet-B0, χρησιμοποιούνται για την αυτόματη εξαγωγή διακριτικών χαρακτηριστικών από τις παραγόμενες εικόνες. Τα πειραματικά αποτελέσματα δείχνουν ότι οι αναπαραστάσεις κλίμακας του γκρι επιτυγχάνουν ανταγωνιστική και, σε ορισμένες περιπτώσεις, ανώτερη απόδοση σε σύγκριση με τις RGB εικόνες, ενώ παράλληλα προσφέρουν μειωμένη υπολογιστική πολυπλοκότητα. Επιπλέον, η ανθεκτικότητα των προτεινόμενων μοντέλων αξιολογήθηκε υπό επιθέσεις αντιπαραθετικών παραδειγμάτων (adversarial attacks) με τη χρήση της μεθόδου FGSM, ενώ οι επιθέσεις βασισμένες σε GAN αναφέρονται ως μελλοντική κατεύθυνση για πιο σύνθετη αξιολόγηση ανθεκτικότητας. Συνολικά, η εργασία αυτή συμβάλλει στον αναπτυσσόμενο τομέα της κυβερνοασφάλειας με χρήση τεχνητής νοημοσύνης για ιατρικά συστήματα IoT, προτείνοντας μια επεκτάσιμη και αποτελεσματική προσέγγιση ανίχνευσης κακόβουλου λογισμικού, καθώς και παρέχοντας χρήσιμες επισημάνσεις σχετικά με την επιλογή αναπαράστασης και την ανθεκτικότητα των μοντέλων.	el
dc.format.extent	91	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	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	Artificial Intelligence for malware detection in the medical Internet of Things	el
dc.title.alternative	Τεχνητή νοημοσύνη για ανίχνευση κακόβουλου λογισμικού στο ιατρικό Διαδίκτυο των Πραγμάτων	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	The rapid proliferation of Internet of Things (IoT) devices in healthcare environments has introduced new security challenges, particularly in the detection of malware targeting medical IoT systems. Traditional signature-based antivirus solutions are often ineffective against evolving and obfuscated malware, necessitating the adoption of intelligent detection mechanisms. This thesis presents a deep learning-based framework for malware detection in Linux-based medical IoT devices by transforming binary files into image representations. Both grayscale and RGB image formats are investigated, enabling a comparative analysis of their effectiveness in malware classification tasks. Convolutional Neural Networks (CNNs), including ResNet-18 and EfficientNet-B0, are employed to automatically extract discriminative features from the generated images. Experimental results demonstrate that grayscale representations achieve competitive and, in some cases, superior performance compared to RGB images, while also offering reduced computational complexity. Furthermore, the robustness of the proposed models was evaluated under adversarial conditions using FGSM perturbations, with GAN-based adversarial attacks mentioned as a potential future avenue for more complex robustness testing. Overall, this work contributes to the growing field of AI-driven cybersecurity for medical IoT by providing a scalable and effective malware detection approach, along with insights into representation choices and model robustness.	el
dc.contributor.master	Κυβερνοασφάλεια και Τεχνολογίες Τεχνητής Νοημοσύνης / MSc Cybersecurity & AI Technologies	el
dc.subject.keyword	Medical IoT	el
dc.subject.keyword	Malware detection	el
dc.subject.keyword	Grayscale vs RGB	el
dc.subject.keyword	Adversarial robustness	el
dc.subject.keyword	Edge / Embedded efficiency	el
dc.date.defense	2026-04-01

Files in this item

Name:: Batzakas_mte24021.pdf
Size:: 1.860Mb
Format:: PDF
Description:: Master thesis

View/Open

This item appears in the following Collection(s)

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Show simple item record

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