BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TUC//Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Athens
TZNAME:EEST
DTSTART:19700329T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0300
TZNAME:EET
DTSTART:19701025T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
CREATED:20250211T133501Z
LAST-MODIFIED:20250211T133501Z
DTSTAMP:20260719T222528Z
UID:1784489128@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. 
 Ιωάννη Οικονομόπουλου - Σχολή ΗΜΜΥ
LOCATION:
DESCRIPTION:https://www.ece.tuc.gr/el/katalogos-
 ekdiloseon?tx_tucevents2_tuceventsdi
 splay%5Baction%5D=show&tx_tucevents2
 _tuceventsdisplay%5Bcontroller%5D=Ev
 ent&tx_tucevents2_tuceventsdisplay%5
 Bevent%5D=7536&cHash=d42ee1d00549354
 b01291ec1f4a61102\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ
 Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και
  Μηχανικών Υπολογιστών\n Πρόγραμμα Π
 ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ
 ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ιωάννη Οικονομό
 πουλου\n με θέμα\n Ακριβές Σύστημα Α
 νίχνευσης Εισβολών σε ΙοΤ μέσω Εφαρμ
 ογής Μοντέλων Μηχανικής Μάθησης\n Ac
 curate IoT Intrusion Detection Syste
 m via Application of AI Models\n Εξε
 ταστική Επιτροπή\n Καθηγητής Σωτήριο
 ς Ιωαννίδης (επιβλέπων)\n Καθηγητής 
 Γεώργιος Χαλκιαδάκης\n Eπίκουρος Καθ
 ηγητής Νικόλαος Γιατράκος\n Περίληψη
 \n Το ΄Ιντερνετ των Πραγμάτων (IoT) 
 μεγαλώνει κάθε χρόνο. Σύμφωνα με τα 
 δεδομένα της IoT Analytics, ο αριθμό
 ς των συνδεδεμένων συσκευών στο διαδ
 ίκτυο παγκοσμίως αναμένεται να ξεπερ
 άσει τα 29 δισεκατομμύρια μέχρι το 2
 027, με εφαρμογές στις μεταφορές, τη
 ν υγειονομική περίθαλψη, την αποθήκε
 υση, την ασφάλεια και την παρακολούθ
 ηση δεδομένων. Η χρήση του IoT προσφ
 έρει μεγάλα πλεονεκτήματα για τις επ
 ιχειρήσεις και την καθημερινή ζωή τω
 ν ανθρώπων, ώστε αν ξαφνικά οι συσκε
 υές αυτές έμεναν ανενεργές, η επίδρα
 ση θα ήταν αισθητή. Ωστόσο, δυσλειτο
 υργίες αυτών των συσκευών στο παρελθ
 όν έχουν προκαλέσει σοβαρά πλήγματα 
 στην ιδιωτικότητα των δεδομένων και 
 την οικονομία.\n Με την Τεχνητή Νοημ
 οσύνη να αναδεικνύεται ως η κυρίαρχη
  τεχνολογία της δεκαετίας του 2020, 
 έχει μετασχηματίσει τον τομέα των συ
 στημάτων ανίχνευσης εισβολών. Τα μον
 τέλα εκπαιδεύονται για να εντοπίζουν
  κάθε τύπο επίθεσης σε διακομιστές, 
 μικροϋπηρεσίες κ.λπ. Αλλά τι γίνεται
  με τις ενσωματωμένες συσκευές που σ
 τερούνται υπολογιστικών πόρων· Η παρ
 ούσα διπλωματική εργασία παρέχει μια
  ανάλυση σχετικά με την αποτελεσματι
 κή αντιμετώπιση των δικτυακών επιθέσ
 εων στο IoT , διατηρώντας ελαφρούς υ
 πολογιστικούς πόρους. Η κεντρική ιδέ
 α είναι η υλοποίηση αλγορίθμων ταξιν
 όμησης και ανίχνευσης ακραίων τιμών 
 σε χαμηλού επιπέδου GoLang, το οποίο
  καθιστά την ανίχνευση και την αντιμ
 ετώπιση της κακόβουλης κίνησης πιο α
 ποδοτική από άποψη χρόνου εκτέλεσης 
 και υπολογιστικών πόρων σε σύγκριση 
 με την Python , η οποία αποτελεί τη 
 δημοφιλή γλώσσα προγραμματισμού για 
 τη Μηχανική Μάθηση. Τα πειράματα εκτ
 ελέστηκαν σε Python λόγω της ευκολία
 ς στη χρήση και των δημοφιλών βιβλιο
 θηκών μηχανικής μάθησης που παρέχει,
  αλλά το τελικό προϊόν χαρτογραφήθηκ
 ε σε GoLang.\n Το σύνολο δεδομένων π
 ου χρησιμοποιείται είναι από επίθεση
  Mirai Botnet, η πιο συνηθισμένη μορ
 φή επίθεσης στο ΙοΤ. Οι αλγόριθμοι π
 ου χρησιμοποιήθηκαν είναι το LightGB
 M ως μέθοδος ταξινόμησης και το OneC
 lassSVM ως μέθοδος ανίχνευσης ανωμαλ
 ιών. Σε αυτήν την εργασία, τα αποτελ
 έσματα αυτών των δύο αλγορίθμων συγκ
 ρίνονται με το καινοτόμο πλαίσιο ανί
 χνευσης αποκλίσεων σε δικτυακές επιθ
 έσεις Kitsune. Στη συνέχεια, διεξήχθ
 ησαν πειράματα σε ένα Raspberry Pi γ
 ια τη μέτρηση της απόδοσης ζωντανής 
 εκτέλεσης στα ενσωματωμένα συστήματα
  στις υλοποιήσεις σε Python και GoLa
 ng, αλλά και στην υλοποίηση του Kits
 une.\n Abstract \n The Internet of T
 hings (IoT) keeps growing bigger eve
 ry year. Based on IoT Analytics data
 , connected devices worldwide are ex
 pected to reach over 29 billion by 2
 027, spreading across transportation
 , healthcare, warehousing, security,
  and data monitoring. These devices 
 have become so important in our dail
 y lives and business operations that
  we can hardly imagine functioning w
 ithout them. Yet, we’ve seen how dev
 ice failures in the past have seriou
 sly damaged both data privacy and ec
 onomic stability. With AI becoming t
 he star technology of the 2020s, it’
 s revolutionizing how we approach Ne
 twork Intrusion Detection Systems (N
 IDS). While we’re getting better at 
 training models to catch all sorts o
 f attacks on servers and microservic
 es, there’s still a big question mar
 k when it comes to embedded devices 
 - what can we do when we’re working 
 with limited computational resources
 ? This thesis tackles the challenge 
 of running effective NIDS on IoT dev
 ices without overwhelming their mode
 st resources. Our approach? We’re im
 plementing classification and outlie
 r detection algorithms in GoLang - a
  lightweight, low-level language tha
 t handles malicious traffic more eff
 iciently than Python (the usual go-t
 o for Machine Learning). While we st
 arted our experiments in Python, tha
 nks to its user-friendly typing and 
 rich Machine Learning libraries, we 
 ultimately moved everything to GoLan
 g for the final product. We worked w
 ith a Mirai Botnet attack dataset, s
 ince it’s the most common type of Io
 T attack out there. For our analysis
 , we used Light Gradient Boosting Ma
 chine (LightGBM - LGBM) for classifi
 cation and One-Class Support Vector 
 Machine (OneClassSVM - OCSVM) for sp
 otting anomalies. We compared how th
 ese methods stack up against Kitsune
 , a newer framework for detecting ou
 tliers. The final test? Running ever
 ything on a Raspberry Pi to see how 
 Python, GoLang, and Kitsune perform 
 in a real embedded system setup.\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20250213T110000
DTEND:20250213T120000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR