Ψηφιακό σύστημα ανίχνευσης ύποπτης συμπεριφοράς Έξυπνων Συσκευών μέσω της ενέργειας

Digital suspicious behavior detection system for Smart Devices through Energy (Αγγλική)

  1. Bachelor’s thesis
  2. ΠΑΠΑΦΩΤΙΚΑΣ, ΣΤΕΦΑΝΟΣ
  3. Πληροφορική (ΠΛΗ)
  4. 20 Ιουλίου 2019 [2019-07-20]
  5. Ελληνικά
  6. 102
  7. Κακαρούντας, Αθανάσιος
  8. Βέργαδος, Δημήτριος | Χατζημίσιος, Περικλής
  9. Έξυπνες Συσκευές | Δίκτυο των Πραγμάτων | Ασφάλεια Υλικού | Ανίχνευση Ύποπτης Συμπεριφοράς | K-Means Clustering | Arduino | Κατανάλωση Ενέργειας
  10. 2
  11. 30
  12. Κυρίως κείμενο, πίνακες, σχήματα, εικόνες
    • Στις μέρες μας είναι αντιληπτή η κατακόρυφη αύξηση χρήσης έξυπνων συσκευών στο διαδίκτυο και στο δίκτυο των πραγμάτων. Ένα μεγάλο πρόβλημα αυτών των συσκευών είναι η προστασίας τους από κακόβουλο λογισμικό και διαδικτυακές επιθέσεις λόγω της ετερογένειας τους που τις καθιστά τρωτές και πολλές φόρες χωρίς να υπάρχουν καν ενδείξεις προβληματικής λειτουργίας. Στην παρούσα εργασία γίνεται η μελέτη αυτών των συσκευών, των τύπων των επιθέσεων στις οποίες είναι ευάλωτες και η μελέτη ανάπτυξης ενός ψηφιακού συστήματος ανίχνευσης της ύποπτης συμπεριφορά τους μέσω της ενέργειας. Το σύστημα που αναπτύχθηκε είναι βασισμένο σε επεξεργαστή τύπου Arduino που το καθιστά αυτόνομο στη λειτουργία του με την ανάπτυξη του κατάλληλου λογισμικού. Χρησιμοποιεί τον αλγόριθμο K-Means Clustering για την εκπαίδευση του μέσω επιτήρησης. Επίσης αναπτύχθηκε αλγόριθμος ανίχνευσης ύποπτης συμπεριφοράς με τη χρήση παραμέτρων για την εγκυρότερη ανίχνευση αυτής. Τα αποτελέσματα της παρούσας πτυχιακής εργασίας έδειξαν τη δυνατότητα ανίχνευσης ύποπτης συμπεριφοράς των έξυπνων συσκευών.
    • Nowadays we see the sharp increase in smart devices on the internet and in the network of things. A big problem with these devices is their protection against malware and internet attacks because of their heterogeneity that makes them vulnerable and many of them without even showing signs of malfunction. In the present study we study these devices, types of attacks that are vulnerable, and the study of the development of a digital system for detecting their suspect behavior through energy. The system developed is based on an Arduino processor that makes it autonomous in its operation by developing the right software. Uses the K-Means Clustering Algorithm with Supervised Training. Also, a suspicious behavior detection algorithm has been developed using parameters to provide a more valid detection of suspicious behavior. The results of this dissertation showed the possibility of detecting suspicious behavior of smart devices.
  14. Hellenic Open University
  15. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.