BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TUC//Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Athens
TZNAME:EEST
DTSTART:19700329T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0300
TZNAME:EET
DTSTART:19701025T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
CREATED:20251124T101316Z
LAST-MODIFIED:20251124T101316Z
DTSTAMP:20260714T222926Z
UID:1784057366@tuc.gr
SUMMARY:Παρουσίαση Μεταπτυχιακής Εργασίας κ.
  Ιωάννη Μοριανού - Σχολή ΗΜΜΥ
LOCATION:
DESCRIPTION:https://www.tuc.gr/el/to-polytechnei
 o/ilektronikes-ypiresies/imerologio/
 imerologio-ekdiloseon-1?tx_tucevents
 2_tuceventsdisplay%5Baction%5D=show&
 tx_tucevents2_tuceventsdisplay%5Bcon
 troller%5D=Event&tx_tucevents2_tucev
 entsdisplay%5Bevent%5D=8188&cHash=b1
 f6e9da59bc6dab6e71c52b006780e2\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων 
 Μηχανικών και Μηχανικών Υπολογιστών\
 n Πρόγραμμα Μεταπτυχιακών (Διδακτορι
 κών) Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑ
 ΚΗΣ ΕΡΓΑΣΙΑΣ\n Ιωάννη Μοριανού\n με 
 θέμα\n Σύστημα Τεχνητής Νοημοσύνης γ
 ια την Ανίχνευση Εισβολών σε Βιομηχα
 νικά Περιβάλλοντα και Υλοποιημένη σε
  Υλικό Αναδιατασσόμενης Λογικής\n I2
 DS: FPGA-based Deep Learning Industr
 ial Intrusion Detection System\n Εξε
 ταστική Επιτροπή\n Καθηγητής Σωτήριο
 ς Ιωαννίδης (επιβλέπων)\n Καθηγητής 
 Ευτύχιος Κουτρούλης\n Δόκτωρ Κωνσταν
 τίνος Γεωργόπουλος\n Περίληψη\n Η χρ
 ήση συστημάτων διαδικτύου των πραγμά
 των (Internet-of-Things (IoT)) σε βι
 ομηχανικά περιβάλλοντα έχει επιφέρει
  σημαντικά παραγωγικά και οικονομικά
  οφέλη και αυτό έχει σαν αποτέλεσμα 
 τη διαρκώς αυξανόμενη αξιοποίηση του
 ς στους χώρους αυτούς. Ωστόσο, η εκτ
 εταμένη χρήση τους έχει δημιουργήσει
  σημαντικές προκλήσεις στο επίπεδο τ
 ης ασφαλείας ειδικά υπό τη μορφή κυβ
 ερνοεπιθέσεων. Το γεγονός αυτό έχει 
 σαν αποτέλεσμα τον περιορισμό της αξ
 ιοποίησης τους στα περιβάλλοντα αυτά
  και αποζητά μεθοδολογίες / λύσεις γ
 ια την αντιμετώπιση αυτών των ζητημά
 των ασφαλείας. Στην εργασία αυτή, πα
 ρουσιάζουμε ένα εξειδικευμένο Βιομηχ
 ανικό Σύστημα Ανίχνευσης Εισβολών (I
 2DS). Το προτεινόμενο σύστημα χρησιμ
 οποιεί τις δυνατότητες της βαθιάς μά
 θησης (Deep Learning (DL)) με στόχο 
 την ανίχνευση μικρών ανωμαλιών καθώς
  και κυβερνοαπειλών τα οποία ενδέχετ
 αι να παραμείνουν μη-ανισχνεύσιμα μέ
 σω της χρήσης συμβατικών συστημάτων 
 ανίχνευσης εισβολών (Intrusion Detec
 tion Systems (IDS)). Επιπλέον, χρησι
 μοποιούμε αναδιατασσόμενο υλικό (Fie
 ld Programmabe Gate Array (FPGA)), γ
 ια την υλοποίηση του συστήματος σε ε
 πίπεδο υλικού, επιτυγχάνοντας έτσι ε
 πεξεργασία δικτυακής κίνησης με χαμη
 λή καθυστέρηση και υψηλή διεκπεραιωτ
 ική ικανότητα, χαρακτηριστικά απαραί
 τητα για την ανίχνευση εισβολών σε β
 ιομηχανικά περιβάλλοντα και εντός αυ
 στηρών χρονικών ορίων. Επιπλέον, κάν
 οντας χρήση των χαρακτηριστικών της 
 αναπτυξιακής πλατφόρμας (FPGA), κατα
 φέραμε να παρατηρήσουμε τη δυνατότητ
 α επεκτασιμότητας της προτεινόμενης 
 αρχιτεκτονικής η οποία μπορεί να προ
 σαρμοστεί στις ανάγκες του δικτύου. 
 Εξίσου σημαντικό είναι ότι, σε σύγκρ
 ιση με αντίστοιχες υλοποιήσεις σε λο
 γισμικό, λειτουργεί με μικρότερη κατ
 ανάλωση ενέργειας, γεγονός που την κ
 αθιστά ιδανική για τα περιορισμένα σ
 ε πόρους περιβάλλοντα που συναντώντα
 ι συχνά στα συστήματα που χρησιμοποι
 ούνται σε βιομηχανικά περιβάλλοντα I
 oT. Τέλος, το σύστημα I2DS που προτε
 ίνουμε έχει αξιολογηθεί με τη χρήση 
 του συνόλου δεδομένων βιομηχανικού π
 ρωτοκόλλου Modbus TON-IoT, επιτυγχάν
 οντας έως και δύο τάξεις μεγέθους υψ
 ηλότερη απόδοση σε σύγκριση με αντίσ
 τοιχες υλοποιήσεις λογισμικού.\n    
  \n Abstract\n The use of IoT system
 s in industrial environments provide
 s tremendous benefits and economic v
 alue, leading to an exponential rise
  in their adoption. Their extended u
 se, however, raises significant conc
 erns related to potential security t
 hreats, thereby hindering their furt
 her expansion in the field. To addre
 ss these security concerns, we intro
 duce a specialized Industrial Intrus
 ion Detection System (I2DS). Our pro
 posed system leverages Deep Learning
  (DL) to detect subtle anomalies and
  potential cyber threats that may ev
 ade conventional rule-based intrusio
 n detection systems (IDS). Furthermo
 re, we employ FPGAs to implement the
  system at the hardware level and th
 us achieve low-latency, high-through
 put processing of network traffic, w
 hich is essential for real-time intr
 usion detection in industrial settin
 gs. Our proposed hardware architectu
 re is scalable and can be adapted ac
 cording to network bandwidth require
 ments. Equally important, compared t
 o a purely software solution, it fun
 ctions under a limited energy budget
 , making it an ideal solution for th
 e stringent resource constraints oft
 en encountered in IoT environments. 
  Our I2DS solution has been validate
 d with the modbus TON-IoT dataset, a
 chieving up to two orders of magnitu
 de higher performance compared to a 
 software equivalent implementation.\
 n Meeting ID: 936 5136 2883\n Passwo
 rd: 467907\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20251126T140000
DTEND:20251126T150000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR