AI-powered intrusion detection with deep autoencoders in next-generation networks

dc.contributor.advisorΜαρκάκης, Ευάγγελοςen
dc.contributor.advisorMarkakis, Evangelosel
dc.contributor.authorXolias, Dimitriosen
dc.contributor.authorΞόλιας, Δημήτριοςel
dc.date.accessioned2026-10-26T13:17:36Z
dc.date.available2026-10-26T13:17:36Z
dc.date.issued2026-10-26
dc.description.abstractThe contemporary technological landscape is undergoing a profound paradigm shift, characterized by the convergence of massively interconnected, software-defined network infrastructures such as 5G, the Internet of Things (IoT), and Software-Defined Networking (SDN). This architectural transformation has concurrently introduced a significant expansion and complexification of the cyber-attack surface, presenting formidable challenges to established security monitoring paradigms. The high volume, velocity, and dimensionality of the resulting data traffic render traditional, signature-based security systems increasingly inadequate for real-time threat identification. Furthermore, while classical machine learning models offer greater adaptability, their efficacy is often encumbered by the "curse of dimensionality" and a dependency on extensive manual feature engineering. This thesis directly addresses these identified gaps through the systematic design, implementation, and rigorous empirical validation of a novel, AI-powered Intrusion Detection System (IDS). The proposed framework was engineered as a lightweight, containerized Virtual Network Function (VNF), ensuring architectural compliance with European Telecommunications Standards Institute - Network Function Virtualisation (ETSI-NFV) standards for scalable deployment in next-generation networks. The core of the system's analytical engine is a hybrid, two-stage deep learning architecture, specifically designed to balance high classification accuracy with computational efficiency. The initial stage employs a Deep Autoencoder (DAE) for unsupervised dimensionality reduction. By being trained to reconstruct the feature vectors of normal traffic, this component learns a compact and information-rich latent representation of high-dimensional network flows, effectively capturing the underlying manifold of benign network behavior. In the second stage, a lightweight one-dimensional Convolutional Neural Network (1D-CNN) is utilized for the efficient and accurate classification of this compressed data, leveraging its inherent capability to detect localized, sequential patterns often indicative of malicious activity. The performance of this framework was subjected to exhaustive experimental validation using the comprehensive and modern RT-IoT2022 dataset. Conducted within a precisely controlled, emulated SDN environment on standard CPU hardware, the proposed model achieved a high overall accuracy of 97.8% and a robust macro-averaged F1-Score of 92.0%, thereby outperforming powerful classical machine learning baselines. Significantly, a mean inference latency of approximately 79 milliseconds was recorded, confirming the system's capacity for near-real-time operation without reliance on specialized hardware. The collective findings of this research validate that the proposed architecture successfully bridges the gap between the high performance of deep learning models and the practical requirements for low-latency, scalable, and deployable security solutions.en
dc.description.abstractΗ παρούσα διπλωματική εργασία εξετάζει την ιδιαίτερα σημαντική πρόκληση της ασφάλειας στα Δίκτυα Επόμενης Γενιάς, όπου η σύγκλιση τεχνολογιών όπως το 5G, το Διαδίκτυο των Πραγμάτων (IoT) και η Προγραμματιζόμενη Δικτύωση (Software Defined Networking – SDN) έχει οδηγήσει στη δημιουργία ενός περιβάλλοντος αυξημένης πολυπλοκότητας. Ο μεγάλος όγκος και η υψηλή ετερογένεια των παραγόμενων δεδομένων δικτυακής κίνησης καθιστούν τις παραδοσιακές και στατικές προσεγγίσεις ανίχνευσης εισβολών ανεπαρκείς για την αποτελεσματική αντιμετώπιση σύγχρονων και εξελιγμένων κυβερνοεπιθέσεων. Στο πλαίσιο αυτό, επιχειρείται η αντιμετώπιση του συγκεκριμένου ερευνητικού κενού μέσω του συστηματικού σχεδιασμού, της υλοποίησης και της εμπειρικής αξιολόγησης ενός προηγμένου Συστήματος Ανίχνευσης Εισβολών (Intrusion Detection System – IDS) βασισμένου σε τεχνικές Τεχνητής Νοημοσύνης. Ο πυρήνας του προτεινόμενου πλαισίου βασίζεται σε μια υβριδική αρχιτεκτονική βαθιάς μάθησης δύο σταδίων, η οποία διαμορφώθηκε με στόχο την επίτευξη ισορροπίας μεταξύ υψηλής ακρίβειας ανίχνευσης και υπολογιστικής αποδοτικότητας. Στο πρώτο στάδιο αξιοποιείται ένας Βαθύς Αυτοκωδικοποιητής (Deep Autoencoder), ο οποίος χρησιμοποιείται για τη μη επιβλεπόμενη μείωση της διαστατικότητας των δεδομένων, μαθαίνοντας μια συμπιεσμένη αλλά πληροφοριακά πλούσια λανθάνουσα αναπαράσταση της κανονικής δικτυακής συμπεριφοράς. Στη συνέχεια, στο δεύτερο στάδιο, εφαρμόζεται ένα ελαφρύ Μονοδιάστατο Συνελικτικό Νευρωνικό Δίκτυο (1D Convolutional Neural Network – 1D-CNN), το οποίο αναλαμβάνει την ταχεία και αξιόπιστη ταξινόμηση των παραγόμενων διανυσμάτων χαρακτηριστικών. Το προτεινόμενο σύστημα υλοποιήθηκε ως Εικονική Δικτυακή Λειτουργία (Virtual Network Function – VNF), διασφαλίζοντας τη συμβατότητά του με τις σύγχρονες αρχιτεκτονικές εικονικοποίησης δικτύου και τα πρότυπα ETSI-NFV. Η απόδοση του προτεινόμενου πλαισίου αξιολογήθηκε εκτενώς μέσω πειραματικής διαδικασίας χρησιμοποιώντας το σύγχρονο σύνολο δεδομένων RT-IoT2022 σε ένα εξομοιωμένο περιβάλλον SDN. Τα αποτελέσματα έδειξαν ότι το προτεινόμενο μοντέλο επιτυγχάνει υψηλότερη απόδοση σε σύγκριση με καθιερωμένες μεθόδους μηχανικής μάθησης, όπως οι αλγόριθμοι Support Vector Machines (SVM) και Random Forest (RF). Συγκεκριμένα, επιτεύχθηκε συνολική ακρίβεια 97.8% και μακρο-μέσος δείκτης F1-Score 92.0%. Ιδιαίτερη σημασία παρουσιάζει επίσης το γεγονός ότι ο μέσος χρόνος απόκρισης του συστήματος καταγράφηκε στα 79 χιλιοστά του δευτερολέπτου σε συμβατικό υπολογιστικό υλικό (CPU), γεγονός που επιβεβαιώνει την καταλληλότητά του για εφαρμογές ανίχνευσης εισβολών σε πραγματικό χρόνο. Συνολικά, τα ευρήματα της μελέτης καταδεικνύουν ότι η προτεινόμενη αρχιτεκτονική συμβάλλει ουσιαστικά στη γεφύρωση του χάσματος μεταξύ της υψηλής απόδοσης που προσφέρουν τα μοντέλα βαθιάς μάθησης και της πρακτικής ανάγκης για λύσεις ασφάλειας με χαμηλή υπολογιστική καθυστέρηση.el
dc.identifier.urihttps://apothesis.hmu.gr/handle/123456789/11790
dc.language.isoen
dc.publisherΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Statesen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/
dc.subjectInternet of things
dc.subjectDeep learning
dc.subjectNetwork security
dc.subjectDeep autoencoder
dc.subjectIntrusion detection system
dc.subjectΔιαδίκτυο των πραγμάτων
dc.subjectΒαθιά μάθηση
dc.subjectΑσφάλεια δικτύου
dc.subjectΒαθύς αυτοκωδικοποιητήςς
dc.subjectΣύστημα ανίχνευσης εισβολών
dc.titleAI-powered intrusion detection with deep autoencoders in next-generation networksen
dc.titleΑνίχνευση παρείσφρησης με τεχνητή νοημοσύνη μέσω βαθέων αυτοκωδικοποιητών σε δίκτυα επόμενης γενιάςel
dc.typeΠτυχιακή Εργασία
heal.academicPublisherIDΕΛΜΕΠΑ Ελληνικό Μεσογειακό Πανεπιστήμιο
Αρχεία
Πρωτότυπος φάκελος/πακέτο
Τώρα δείχνει 1 - 1 of 1
Φόρτωση...
Μικρογραφία εικόνας
Ονομα:
XoliasDimitrios2026.pdf
Μέγεθος:
2.96 MB
Μορφότυπο:
Adobe Portable Document Format
Φάκελος/Πακέτο αδειών
Τώρα δείχνει 1 - 1 of 1
Δεν υπάρχει διαθέσιμη μικρογραφία
Ονομα:
license.txt
Μέγεθος:
2.17 KB
Μορφότυπο:
Item-specific license agreed upon to submission
Περιγραφή: