Ταξινόμηση κακόβουλου λογισμικού με χρήση federated learning
Loading...
Date
2024-09-30
Authors
Καρδάκης, Παύλος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Αυτή η διατριβή διερευνά την εφαρμογή της Ομοσπονδιακής Μάθησης (Federated
Learning ή FL) στην ταξινόμηση κακόβουλου λογισμικού (Malware Classification),
εστιάζοντας στη βιωσιμότητα της για αυτήν την εργασία. Η ομοσπονδιακή μάθηση,
μια αποκεντρωμένη προσέγγιση μηχανικής μάθησης που επιτρέπει σε πολλούς πελάτες
να εκπαιδεύουν από κοινού μοντέλα χωρίς να μοιράζονται τα δεδομένα τους,
προσφέρει πιθανά οφέλη για το απόρρητο και την επεκτασιμότητα. Η έρευνα παρέχει
μια ολοκληρωμένη επισκόπηση του FL, ιδιαίτερα του Cross-Silo FL, και της
συνάφειάς του με την ασφάλεια στον κυβερνοχώρο. Η πειραματική μελέτη διεξάγεται
χρησιμοποιώντας τα σύνολα δεδομένων κακόβουλου λογισμικού EMBER 2018 και
SOREL-20M. Το Cross-Silo FL εκτελείται με έναν αυξανόμενο αριθμό πελατών για
την αξιολόγηση της απόδοσης και της επεκτασιμότητας του μοντέλου. Τα
αποτελέσματα αυτής της μελέτης συγκρίνονται με μοντέλα κεντρικής μηχανικής
εκμάθησης για να αξιολογηθεί εάν το FL μπορεί να επιτύχει συγκρίσιμες ή καλύτερες
επιδόσεις διατηρώντας παράλληλα το απόρρητο των δεδομένων. Αυτή η διατριβή
συμβάλλει στην κατανόηση του FL στο πλαίσιο της ανίχνευσης και ταξινόμησης
κακόβουλου λογισμικού, προσφέροντας πληροφορίες για την πρακτικότητα και την
αξιοπιστία του.
Description
Keywords
Ομοσπονδιακή μάθηση, Ταξινόμηση, Κακόβουλο λογισμικό