Συντάχθηκε 30-09-2026 09:23
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 02/10/2026 10:00
Λήξη: 02/10/2026 11:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Μιχαήλ Φωκά
με θέμα
Εφαρμογή τεχνικών μηχανικής μάθησης για ανίχνευση επιθέσεων από αυτοματοποιημένα κακόβουλα προγράμματα στις παρυφές του Διαδικτύου των Πραγμάτων.
Botnet attack detection at the IoT edge using machine learning techniques.
Εξεταστική Επιτροπή
Καθηγητής Σωτήριος Ιωαννίδης (Σχολή ΗΜΜΥ, Επιβλέπων)
Καθηγητής Γεώργιος Χαλκιαδάκης (Σχολή ΗΜΜΥ)
Καθηγητής Μιχαήλ Λαγουδάκης (Σχολή ΗΜΜΥ)
Περίληψη
Με την άνοδο της τεχνολογίας του Διαδικτύου των Πραγμάτων(IoT) και των διασυνδεδεμένων συσκευών, βρισκόμαστε σε μια νέα εποχή συνδεσιμότητας και λήψης αποφάσεων βάσει δεδομένων. Ταυτόχρονα, οι ανησυχίες για την ασφάλεια στον κυβερνοχώρο έχουν αυξηθεί λόγω των αυξημένων επιθέσεων στο οικοσύστημα του IoT. Οι συσκευές του IoT συχνά δεν διαθέτουν ούτε τα βασικά χαρακτηριστικά ασφαλείας, με αποτέλεσμα να αποτελούν αδύναμο σημείο για κάθε δίκτυο υπολογιστών. Οι κακόβουλοι χρήστες συνεχίζουν να βρίσκουν νέα τρωτά σημεία και αδυναμίες με στόχο να θέσουν σε κίνδυνο τις συσκευές IoT. Ο στόχος αυτών των επιθέσεων ποικίλλει, συμπεριλαμβανομέ-νων, μεταξύ άλλων, του phishing, της απάτης και της εξαπόλυσης επιθέσεων DDoS. Μια τέτοια απειλή είναι τα botnets. Το botnet είναι ένα δίκτυο πολυάριθμων παραβιασμένων συσκευών συνδεδεμένων στο διαδίκτυο που έχουν μολυνθεί με κακόβουλο λογισμικό και συνήθως ελέγχονται από έναν κεντρικό χρήστη. Στην παρούσα διπλωματική, παρουσιαζουμε ένα φορητό και ελαφρύ σύστημα ανίχνευσης εισβολών στο δίκτυο, το οποίο μπορεί να ανιχνεύσει με επιτυχία κακόβουλες συσκευές μέσω ανάλυσης της δικτυακής κίνησης. Η εργασία μας υλοποιεί και προσαρμόζει μιά υπάρχουσα μέθοδο υλοποιημένη σε MATLAB [1] σε ένα πλαίσιο βασισμένο στην Python. Το προτεινόμενο πλαίσιο χρησιμοποιεί μικρό αριθμό δεδομένων για εκπαίδευση που προέρχονται από ασφαλείς, μη επηρεασμένες συσκευές, χωρίς προηγούμενη γνώση των κακόβουλων περιπτώσεων, προκειμένου να αντιμετωπίσει τους περιορισμούς υπολογιστικής ισχύος των συσκευών IoT και να εξασφαλίσει γρήγορη αντίδραση. Το σύστημά μας αξιοποιεί τον άπληστο αλγόριθμο ανάκτησης αραιών δεδομένων, τον orthogonal matching pursuit, ο οποίος περιλαμβάνει μόνο δύο ρυθμίσεις υπερπαραμέτρων. Η προτεινόμενη λύση ανιχνεύει με επιτυχία κακόβουλη κίνηση που προέρχεται από διάφορες επιθέσεις με υψηλή ακρίβεια, ακόμη και με εξαιρετικά μικρό όγκο δεδομένων εκπαίδευσης. Επιπλέον, δείξαμε ότι το πλαίσιο Python μπορεί να αναπτυχθεί ακόμη και σε Rasberry Pi χωρίς να επηρεάσει την απόδοση της συσκευής, καθιστώντας το μια πρακτική και ελαφριά λύση.
Abstract
With the rise of Internet of Things technology and interconnected devices, we are in a new era of connectivity and data-driven decision making. At the same time, cybersecurity concerns have risen due to the increased attacks on the IoT ecosystem. Internet of Things devices often do not even possess basic security features, and as a result, they represent a weak spot for any computer network. Malicious actors keep finding new vulnerabilities and exploits aiming to compromise IoT devices. The goal of such attacks varies, including, but not limited to, phishing, fraud, and launching DDoS attacks. One such threat is the botnets. Botnet is a network of numerous compromised internet-connected devices infected with malware and typically controlled by a central user. In this thesis, we present a portable, lightweight network intrusion detection system, that can successfully detect malicious devices by analyzing network traffic. Our work implements and adapts an existing MATLAB-based anomaly detection method [1] into a Python framework. The proposed framework utilizes small-sized normal training data with no prior knowledge of the malicious instances to deal with the low computational constraints of IoT devices and for fast reaction. Our system leverages the greedy sparse recovery algorithm, orthogonal matching pursuit, which involves only two hyperparame-
ter tuning. The proposed solution successfully detects malicious traffic from various attacks with high accuracy, even with an extremely low amount of training data. Furthermore, we showed that the modular Python framework can be deployed even on Raspberry Pi without impacting the device’s performance, making it a practical and lightweight solution.
Meeting ID: 934 1427 7031
Password: 581857
