Σύμφωνα με τις πρόσφατες επισημάνσεις του κ. Παναγιώτης Σαρηγιαννίδης στο πλαίσιο του vidcast Homo sAIence, ο ανθρώπινος παράγοντας παραμένει ο ασθενέστερος κρίκος στην αλυσίδα της κυβερνοασφάλειας, καθώς το 90-95% των επιτυχημένων επιθέσεων αποδίδεται σε ανθρώπινο σφάλμα. Η ραγδαία εξέλιξη της Τεχνητής Νοημοσύνης έχει προσδώσει νέα δυναμική στις απειλές, με τη δημιουργία εξαιρετικά πειστικών επιθέσεων ηλεκτρονικού ψαρέματος (phishing) και στοχευμένου κακόβουλου λογισμικού, καθιστώντας τον εντοπισμό τους από τον μέσο χρήστη δυσχερή έως αδύνατο.
Το Ερευνητικό Έργο ΑΣΚΟΣ και το Υποσύστημα ΧΡΟΝΟΣ
Στο πλαίσιο του ερευνητικού έργου ΑΣΚΟΣ, αναπτύσσεται το υποσύστημα ΧΡΟΝΟΣ. Πρόκειται για μια καινοτόμο λύση που στοχεύει στην ενίσχυση της ασφάλειας μέσω αυτοματοποιημένων μηχανισμών επιτήρησης, υπερβαίνοντας τους περιορισμούς της ανθρώπινης παρέμβασης.
Η προσέγγισή του βασίζεται σε τρεις κύριους άξονες:
🏭 Ρεαλιστική προσομοίωση κρίσιμων συστημάτων
Χρησιμοποιούνται εξειδικευμένα honeypot υψηλής πιστότητας (high-fidelity), τα οποία προσομοιώνουν ρεαλιστικά βιομηχανικά και κρίσιμα περιβάλλοντα. Με αυτόν τον τρόπο, δημιουργείται μια πειστική επιφάνεια αλληλεπίδρασης για τον επιτιθέμενο, ενώ η πραγματική υποδομή παραμένει προστατευμένη.
📊 Ανάλυση δικτυακής κίνησης
Όταν ένας επιτιθέμενος αλληλεπιδρά με το honeypot, το σύστημα λειτουργεί ως αισθητήρας κυβερνοασφάλειας. Καταγράφει και αναλύει τη δικτυακή κίνηση, συμβάλλοντας στην αναγνώριση των Τακτικών, Τεχνικών και Διαδικασιών (Tactics, Techniques and Procedures – TTPs) που χρησιμοποιούνται κατά την επίθεση.
🧠 Ταξινόμηση και αναγνώριση επιθέσεων
Τα δεδομένα που συλλέγονται υποβάλλονται σε προηγμένη επεξεργασία και αξιοποιούνται από αλγορίθμους Μηχανικής Μάθησης (Machine Learning). Στόχος είναι η ταξινόμηση της επίθεσης, η ανίχνευση κακόβουλων μοτίβων και η εξαγωγή χρήσιμων συμπερασμάτων για τη φύση και τη μεθοδολογία της απειλής.
Στο πλαίσιο του ερευνητικού έργου ΑΣΚΟΣ, αναπτύσσεται το υποσύστημα ΧΡΟΝΟΣ. Πρόκειται για μια καινοτόμο λύση που στοχεύει στην ενίσχυση της ασφάλειας μέσω αυτοματοποιημένων μηχανισμών επιτήρησης, υπερβαίνοντας τους περιορισμούς της ανθρώπινης παρέμβασης.
Η προσέγγισή του βασίζεται σε τρεις κύριους άξονες:
🏭 Ρεαλιστική προσομοίωση κρίσιμων συστημάτων
Χρησιμοποιούνται εξειδικευμένα honeypot υψηλής πιστότητας (high-fidelity), τα οποία προσομοιώνουν ρεαλιστικά βιομηχανικά και κρίσιμα περιβάλλοντα. Με αυτόν τον τρόπο, δημιουργείται μια πειστική επιφάνεια αλληλεπίδρασης για τον επιτιθέμενο, ενώ η πραγματική υποδομή παραμένει προστατευμένη.
📊 Ανάλυση δικτυακής κίνησης
Όταν ένας επιτιθέμενος αλληλεπιδρά με το honeypot, το σύστημα λειτουργεί ως αισθητήρας κυβερνοασφάλειας. Καταγράφει και αναλύει τη δικτυακή κίνηση, συμβάλλοντας στην αναγνώριση των Τακτικών, Τεχνικών και Διαδικασιών (Tactics, Techniques and Procedures – TTPs) που χρησιμοποιούνται κατά την επίθεση.
🧠 Ταξινόμηση και αναγνώριση επιθέσεων
Τα δεδομένα που συλλέγονται υποβάλλονται σε προηγμένη επεξεργασία και αξιοποιούνται από αλγορίθμους Μηχανικής Μάθησης (Machine Learning). Στόχος είναι η ταξινόμηση της επίθεσης, η ανίχνευση κακόβουλων μοτίβων και η εξαγωγή χρήσιμων συμπερασμάτων για τη φύση και τη μεθοδολογία της απειλής.
Επιδόσεις
Αξιοποιώντας τον αλγόριθμο XGBoost, το μοντέλο μας επιτυγχάνει κορυφαία αποτελέσματα, διασφαλίζοντας ότι καμία απειλή δεν περνά απαρατήρητη:
-
Συνολική Ακρίβεια: 99.92%
-
Μέσος Χρόνος Απόκρισης: Μόλις 0.06 ms
Αναλυτικά Στοιχεία Ανίχνευσης:
| Τυπος Επιθεσης | Ακριβεια (Accuracy) | F1-Score |
|---|---|---|
| HTTP Flood | 99.67% | 0.9975 |
| SYN Flood | 99.96% | 1.0000 |
| SlowDoS | 99.76% | 0.9982 |
| Reconnaissance | 99.98% | 0.9942 |
| UDP Flood | 99.97% | 0.9997 |
Προστασία σε Πραγματικό Χρόνο
Δείτε τη Συνέντευξη
Μπορείτε να διαβάσετε το πλήρες ρεπορτάζ και να ακούσετε την ανάλυση του κ. Σαρηγιαννίδη στους παρακάτω συνδέσμους:
