6 

 

μηχανισμοί  προσοχής,  κ.α..  Εκεί  ακόμα  επιτυγχάνεται  ακρίβεια  75 − 89%  ανάλογα  με  την 
περιπλοκότητα του εκάστοτε μηχανισμού και την εξαγωγή χαρακτηριστικών που έχει υποστεί 
το dataset. 

Μιας και πρόκειται για τόσο διαφορετικού βάθους και καινοτομίας μεθόδους, με λεπτομερή 
βελτιστοποίηση σε πολλά στάδια, η δική μας έρευνα, που έγινε με πολύ πιο απλά μέσα και 
τεχνικές και όμως βρίσκεται σε απόδοση κοντινή με το state of the art, μπορεί να αποτελέσει 
μια αξιόπιστη μελέτη των βασικών αυτών μεθόδων ταξινόμησης που χρησιμοποιήθηκαν, προς 
σύγκριση μεταξύ των αλγορίθμων, των διαφορετικών κατηγοριών κίνησης, και ανάλυση των 
μηχανισμών λειτουργίας τους. 

Η  ανίχνευση  ανωμαλιών  και  γενικότερα  η  κυβερνοασφάλεια  αντιμετωπίζει  ακόμα  πολλές 
προκλήσεις. Αναφορικά, μερικές από αυτές είναι: 

-  Η ραγδαία ανάπτυξη των δικτύων σήμερα, η οποία οδηγεί σε αύξηση των καινούριων 

και άγνωστων επιθέσεων που εκμεταλλεύονται καινούρια κενά και υπηρεσίες. 

-  Η όλο και μεγαλύτερη εξάρτηση της κοινωνίας μας από το Διαδίκτυο, στο οποίο κάθε 

χρόνο  παράγονται  και  διακινούνται  πολύ  περισσότερα  δεδομένα,  ήδη  δύσκολα 
επεξεργάσιμα με τα σημερινά μέσα. 

-  Το Διαδίκτυο των Αντικειμένων (Internet of Things – IoT), λόγω του οποίου συσκευές 

όλο  και  χαμηλότερου  επιπέδου,  άρα  και  με  όλο  και  λιγότερες  υπολογιστικές 
δυνατότητες,  συνδέονται  μεταξύ  τους,  αφήνοντάς  μας  εκτεθειμένους  σε  κενά 
ασφαλείας  που  θα  μπορούσαν  να  έχουν  επιπτώσεις  ακόμα  και  στη  σωματική  μας 
υγεία, πέρα από την ασφάλεια των δεδομένων μας. 

-  Η  μη  διαθεσιμότητα  ανοιχτών  πακέτων  δεδομένων  κίνησης  δικτύου,  ιδιαίτερα 

πρόσφατων,  που  θα  περιέχουν  πιο  καινούριες  επιθέσεις,  λόγω  ιδιωτικότητας, 
ανταγωνισμού των παροχών δικτύου,  που θα μπορούσαν να ανανεώσουν τον χώρο 
της έρευνας. 

-  Η  ανεπάρκεια  της  μη  επιβλεπόμενης  μάθησης,  παρόλο  που  ενδείκνυται  για  την 

ανίχνευση ανωμαλιών, καθώς από unlabelled δεδομένα δεν μπορούν οι ερευνητές να 
ξέρουν την πραγματική απόδοση της, ενώ ταυτόχρονα η δημιουργία labels (ετικετών) 
στα πακέτα αποτελεί μια ιδιαιτέρως δύσκολη και χρονοβόρα διαδικασία. 

Συνοψίζοντας, παρόλες τις προκλήσεις και τους περιορισμούς που αντιμετωπίζει η ανίχνευση 
ανωμαλιών στο χώρο της ασφάλειας δικτύων, η έρευνα αναπτύσσεται μαζί με τον τομέα της 
μηχανικής μάθησης και τεχνητής νοημοσύνης, ακολουθώντας τις πιο καινοτόμες μεθόδους. 
Η  μη  επιβλεπόμενη  μάθηση  μπορεί  γίνει  πιο  χρήσιμη στον  πραγματικό  κόσμο,  μιας και  τα 
δεδομένα που χρησιμοποιεί δε χρειάζονται labelling, και μπορεί να ανιχνεύει άγνωστες και 
καινούριες  επιθέσεις.  Παρά  την  τάση  που  έχει  ξεκινήσει  τα  τελευταία  δύο  χρόνια  να 
διερευνηθούν  οι  τεχνικές  μη  επιβλεπόμενης  μάθησης,  η  επιβλεπόμενη  μάθηση  παραμένει 
ακόμα  ο  κύριος  τρόπος  που  μελετάται  η  ασφάλεια  των  δικτύων,  και  πέντε  από  τους  πιο 
βασικούς  αλγορίθμους  μηχανικής  μάθησης  σε  προβλήματα  ταξινόμησης,  αν  και  κάπως 
παρωχημένοι  πια,  μελετήθηκαν  στα  πλαίσια  αυτής  της  διπλωματικής  εργασίας,  δίνοντας 
αποτελέσματα σε πολύ ικανοποιητικό επίπεδο.