Επιτάχυνση της μηχανικής μάθησης μέσω υλικού για την ενίσχυση της ασφάλειας στα κυβερνοφυσικά συστήματα
Leveraging hardware-accelerated machine learning for enhancing security in cyber-physical systems
Λέξεις-κλειδιά
Επιτάχυνση υλικού ; Κυβερνοασφάλεια ; Κυβερνοφυσικά συστήματα ; Μηχανική μάθηση ; Μονάδες επεξεργασίας γραφικών ; Συστοιχίες επιτόπια προγραμματιζόμενων πυλών ; Ολοκληρωμένα κυκλώματα για ειδικές εφαρμογέςΠερίληψη
Τα Κυβερνοφυσικά Συστήματα (Cyber-Physical Systems – CPS) συνδέουν τον φυσικό και τον ψηφιακό κόσμο μέσω αισθητήρων, αλγορίθμων και συστημάτων επικοινωνίας, υποστηρίζοντας κρίσιμες εφαρμογές στους τομείς της βιομηχανίας, των έξυπνων μεταφορών, της υγειονομικής περίθαλψης, των έξυπνων ενεργειακών δικτύων και της αεροδιαστημικής. Ωστόσο, τα CPS είναι ευάλωτα σε κυβερνοεπιθέσεις, όπως οι επιθέσεις Κατανεμημένης Άρνησης Παροχής Υπηρεσίας (Distributed Denial of Service - DDoS), η εγκατάσταση κακόβουλου λογισμικού (malware), η ανεπαρκής εφαρμογή μηχανισμών ελέγχου πρόσβασης και οι ευπάθειες που οφείλονται στη χρήση παρωχημένων συστημάτων. Η Μηχανική Μάθηση (Machine Learning - ML) παίζει καθοριστικό ρόλο στη βελτίωση της ασφάλειας των CPS. Επιτρέπει την ανίχνευση ανωμαλιών, την πρόβλεψη και αποτροπή επιθέσεων, καθώς και την αυτοματοποιημένη ταξινόμηση απειλών. Παράλληλα, η επιτάχυνση της ML μέσω υλικού, με τη χρήση Μονάδων Επεξεργασίας Γραφικών (Graphics Processing Units - GPU), Συστοιχιών Επιτόπια Προγραμματιζόμενων Πυλών (Field-Programmable Gate Arrays - FPGA) και Ολοκληρωμένων Κυκλωμάτων για Ειδικές Εφαρμογές (Application-Specific Integrated Circuits - ASIC), βελτιώνει σημαντικά την απόδοση και την ταχύτητα σε κρίσιμες εφαρμογές, όπως η ανίχνευση κακόβουλου λογισμικού, η κρυπτογραφία και η ανάλυση μεγάλων δεδομένων σε πραγματικό χρόνο. Η παρούσα μεταπτυχιακή διπλωματική εργασία επικεντρώνεται στη διερεύνηση της επιταχυνόμενης μέσω υλικού ML για την ενίσχυση της ασφάλειας των CPS. Αυτός ο συνδυασμός τεχνολογιών μπορεί να προσφέρει σημαντική θωράκιση έναντι κυβερνοαπειλών, διασφαλίζοντας την ασφαλή, αποδοτική και αξιόπιστη λειτουργία των συστημάτων αυτών.
Περίληψη
Cyber-Physical Systems (CPS) integrate the physical and digital worlds through sensors, algorithms, and communication systems, supporting critical applications in fields such as industrial production, smart transportation, healthcare, smart energy grids, and aerospace. However, CPS are vulnerable to cyberattacks, including Distributed Denial of Service (DDoS) attacks, malware installation, insufficient access control mechanisms, and vulnerabilities stemming from outdated systems. Machine Learning (ML) plays a crucial role in enhancing the security of CPS. It enables anomaly detection, attack prediction and prevention, and automated threat classification. Additionally, the hardware-accelerated ML using Graphics Processing Units (GPUs), Field-Programmable Gate Arrays (FPGAs), and Application-Specific Integrated Circuits (ASICs) significantly improves performance and speed in critical applications, such as malware detection, cryptography, and real-time analysis of large datasets. This thesis focuses on investigating hardware-accelerated ML for enhancing the security of CPS. This combination of technologies can provide substantial protection against cyber threats, ensuring the safe, efficient, and reliable operation of these systems.
Αριθμός σελίδων
73Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Μηχανικών Πληροφορικής και ΥπολογιστώνΤίτλος Προγράμματος Μεταπτυχιακών Σπουδών
ΚυβερνοασφάλειαΓλώσσα
Ελληνικά
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές