Ανίχνευση αποκλίσεων στην ασφάλεια δικτύων με βάση το TDA
Loading...
Date
2026-07-09
Authors
Τριάντος, Κωνσταντίνος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα εργασία εξετάζει την ανίχνευση αποκλίσεων στην ασφάλεια δικτύων με αξιοποίηση της Τοπολογικής Ανάλυσης Δεδομένων. Αφετηρία της μελέτης αποτελεί η διαπίστωση ότι τα σύγχρονα δικτυακά περιβάλλοντα είναι ιδιαίτερα σύνθετα, παράγουν μεγάλο όγκο δεδομένων και εκτίθενται σε συνεχώς εξελισσόμενες απειλές. Για τον λόγο αυτό, η απλή χρήση στατικών κανόνων ή παραδοσιακών μηχανισμών ελέγχου δεν επαρκεί πάντοτε για την έγκαιρη αναγνώριση ύποπτων συμπεριφορών. Η εργασία παρουσιάζει την ανίχνευση αποκλίσεων ως κρίσιμο εργαλείο κυβερνοασφάλειας, καθώς επιτρέπει τον εντοπισμό γεγονότων που διαφοροποιούνται από τη φυσιολογική λειτουργία ενός δικτύου και μπορεί να συνδέονται με επίθεση, παραβίαση ή κακόβουλη δραστηριότητα.
Στο θεωρητικό μέρος αναλύονται οι βασικές αρχές της ασφάλειας δικτύων, με έμφαση στην εμπιστευτικότητα, την ακεραιότητα, τη διαθεσιμότητα, την αυθεντικότητα και τον έλεγχο πρόσβασης. Παρουσιάζονται επίσης βασικές κατηγορίες επιθέσεων, όπως λανθασμένες ρυθμίσεις, υπερχειλίσεις μνήμης, ανεπαρκής επικύρωση εισόδου, κοινωνική μηχανική, εγκατάσταση κακόβουλου λογισμικού και άρνηση παροχής υπηρεσιών. Η εργασία εξετάζει ακόμη τα συστήματα ανίχνευσης και αποτροπής εισβολών, τους περιορισμούς τους, τη σημασία της καταγραφής συμβάντων και τις σύγχρονες τάσεις που συνδέονται με τη μηχανική μάθηση, τη βαθιά μάθηση, την επεξηγησιμότητα των μοντέλων και την επιχειρησιακή αξιοποίηση των αποτελεσμάτων.
Κεντρικό σημείο της μελέτης αποτελεί η Τοπολογική Ανάλυση Δεδομένων, η οποία προσεγγίζει τα δεδομένα όχι μόνο ως αριθμητικές τιμές, αλλά και ως γεωμετρικές και δομικές σχέσεις. Μέσω εννοιών όπως τα απλοϊκά σύμπλοκα, η επίμονη ομολογία, τα διαγράμματα επιμονής, τα τοπολογικά χαρακτηριστικά και ο αλγόριθμος Mapper, η TDA επιτρέπει την ανάδειξη κρυφών μορφών, συνδέσεων και απομονωμένων περιοχών μέσα σε πολυδιάστατα δεδομένα. Ιδιαίτερη σημασία δίνεται στη μηδενική διάσταση της επίμονης ομολογίας, επειδή δείχνει πότε τα σημεία ενώνονται μεταξύ τους και ποια γεγονότα παραμένουν απομονωμένα για μεγαλύτερο διάστημα, άρα είναι πιθανότερο να συνδέονται με αποκλίνουσα συμπεριφορά.
Αναπτύσσεται πρόγραμμα σε Python για την προσομοίωση και ανάλυση δικτυακής κίνησης. Το σύστημα δημιουργεί 1800 συνθετικά γεγονότα, από τα οποία 1656 είναι κανονικά και 144 αντιστοιχούν σε ύποπτες συμπεριφορές, όπως σάρωση θυρών, επαναλαμβανόμενες αποτυχημένες προσπάθειες σύνδεσης, πιθανή εξαγωγή δεδομένων και επικοινωνία εντολών και ελέγχου. Κάθε γεγονός περιγράφεται με χαρακτηριστικά όπως διάρκεια, αριθμός πακέτων, όγκος δεδομένων, θύρες, πρωτόκολλο, υπηρεσία, αποτυχημένες συνδέσεις και εντροπία. Στη συνέχεια τα δεδομένα κανονικοποιούνται, μετατρέπονται σε αριθμητικά διανύσματα, αναλύονται τοπολογικά και αποκτούν έναν βαθμό ανωμαλίας, ο οποίος χρησιμοποιείται για την ταξινόμησή τους ως κανονικά ή ύποπτα.
Τα αποτελέσματα δείχνουν ότι η προτεινόμενη προσέγγιση μπορεί να διαχωρίσει σε ικανοποιητικό βαθμό τη φυσιολογική από την ύποπτη δικτυακή δραστηριότητα. Η αξιολόγηση γίνεται με μετρικές όπως η ακρίβεια, το θετικό ποσοστό εντοπισμού, το ποσοστό ψευδών συναγερμών, το precision, το recall και το F1-score, ενώ τα γραφήματα της εφαρμογής παρουσιάζουν την κατανομή του βαθμού ανωμαλίας, την προβολή των γεγονότων σε δύο διαστάσεις, το διάγραμμα επιμονής, την καμπύλη precision-recall και τη χρονική εξέλιξη των αποκλίσεων. Συνολικά, η εργασία καταλήγει ότι η Τοπολογική Ανάλυση Δεδομένων μπορεί να λειτουργήσει ως χρήσιμο συμπληρωματικό εργαλείο για την κυβερνοασφάλεια, ενισχύοντας την ερμηνευσιμότητα, την ιεράρχηση περιστατικών και την έγκαιρη αναγνώριση σύνθετων απειλών.
Description
Keywords
Τοπολογική ανάλυση δεδομένων, Ασφάλεια δικτύων, Ανίχνευση αποκλίσεων, Κυβερνοασφάλεια, Επίμονη ομολογία, Δικτυακή κίνηση, Μηχανική μάθηση