Συντάχθηκε 24-11-2025 10:13
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 26/11/2025 14:00
Λήξη: 26/11/2025 15:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Μεταπτυχιακών (Διδακτορικών) Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ
Ιωάννη Μοριανού
με θέμα
Σύστημα Τεχνητής Νοημοσύνης για την Ανίχνευση Εισβολών σε Βιομηχανικά Περιβάλλοντα και Υλοποιημένη σε Υλικό Αναδιατασσόμενης Λογικής
I2DS: FPGA-based Deep Learning Industrial Intrusion Detection System
Εξεταστική Επιτροπή
Καθηγητής Σωτήριος Ιωαννίδης (επιβλέπων)
Καθηγητής Ευτύχιος Κουτρούλης
Δόκτωρ Κωνσταντίνος Γεωργόπουλος
Περίληψη
Η χρήση συστημάτων διαδικτύου των πραγμάτων (Internet-of-Things (IoT)) σε βιομηχανικά περιβάλλοντα έχει επιφέρει σημαντικά παραγωγικά και οικονομικά οφέλη και αυτό έχει σαν αποτέλεσμα τη διαρκώς αυξανόμενη αξιοποίηση τους στους χώρους αυτούς. Ωστόσο, η εκτεταμένη χρήση τους έχει δημιουργήσει σημαντικές προκλήσεις στο επίπεδο της ασφαλείας ειδικά υπό τη μορφή κυβερνοεπιθέσεων. Το γεγονός αυτό έχει σαν αποτέλεσμα τον περιορισμό της αξιοποίησης τους στα περιβάλλοντα αυτά και αποζητά μεθοδολογίες / λύσεις για την αντιμετώπιση αυτών των ζητημάτων ασφαλείας. Στην εργασία αυτή, παρουσιάζουμε ένα εξειδικευμένο Βιομηχανικό Σύστημα Ανίχνευσης Εισβολών (I2DS). Το προτεινόμενο σύστημα χρησιμοποιεί τις δυνατότητες της βαθιάς μάθησης (Deep Learning (DL)) με στόχο την ανίχνευση μικρών ανωμαλιών καθώς και κυβερνοαπειλών τα οποία ενδέχεται να παραμείνουν μη-ανισχνεύσιμα μέσω της χρήσης συμβατικών συστημάτων ανίχνευσης εισβολών (Intrusion Detection Systems (IDS)). Επιπλέον, χρησιμοποιούμε αναδιατασσόμενο υλικό (Field Programmabe Gate Array (FPGA)), για την υλοποίηση του συστήματος σε επίπεδο υλικού, επιτυγχάνοντας έτσι επεξεργασία δικτυακής κίνησης με χαμηλή καθυστέρηση και υψηλή διεκπεραιωτική ικανότητα, χαρακτηριστικά απαραίτητα για την ανίχνευση εισβολών σε βιομηχανικά περιβάλλοντα και εντός αυστηρών χρονικών ορίων. Επιπλέον, κάνοντας χρήση των χαρακτηριστικών της αναπτυξιακής πλατφόρμας (FPGA), καταφέραμε να παρατηρήσουμε τη δυνατότητα επεκτασιμότητας της προτεινόμενης αρχιτεκτονικής η οποία μπορεί να προσαρμοστεί στις ανάγκες του δικτύου. Εξίσου σημαντικό είναι ότι, σε σύγκριση με αντίστοιχες υλοποιήσεις σε λογισμικό, λειτουργεί με μικρότερη κατανάλωση ενέργειας, γεγονός που την καθιστά ιδανική για τα περιορισμένα σε πόρους περιβάλλοντα που συναντώνται συχνά στα συστήματα που χρησιμοποιούνται σε βιομηχανικά περιβάλλοντα IoT. Τέλος, το σύστημα I2DS που προτείνουμε έχει αξιολογηθεί με τη χρήση του συνόλου δεδομένων βιομηχανικού πρωτοκόλλου Modbus TON-IoT, επιτυγχάνοντας έως και δύο τάξεις μεγέθους υψηλότερη απόδοση σε σύγκριση με αντίστοιχες υλοποιήσεις λογισμικού.
Abstract
The use of IoT systems in industrial environments provides tremendous benefits and economic value, leading to an exponential rise in their adoption. Their extended use, however, raises significant concerns related to potential security threats, thereby hindering their further expansion in the field. To address these security concerns, we introduce a specialized Industrial Intrusion Detection System (I2DS). Our proposed system leverages Deep Learning (DL) to detect subtle anomalies and potential cyber threats that may evade conventional rule-based intrusion detection systems (IDS). Furthermore, we employ FPGAs to implement the system at the hardware level and thus achieve low-latency, high-throughput processing of network traffic, which is essential for real-time intrusion detection in industrial settings. Our proposed hardware architecture is scalable and can be adapted according to network bandwidth requirements. Equally important, compared to a purely software solution, it functions under a limited energy budget, making it an ideal solution for the stringent resource constraints often encountered in IoT environments. Our I2DS solution has been validated with the modbus TON-IoT dataset, achieving up to two orders of magnitude higher performance compared to a software equivalent implementation.
Meeting ID: 936 5136 2883
Password: 467907
