Studente GROSSETTI, PAOLO
Facoltà/Dipartimento Dipartimento Ingegneria dell'Informazione
Corso di studio INGEGNERIA INFORMATICA E DELL'AUTOMAZIONE
Anno Accademico 2018
Data dell'esame finale 2020-02-25
Titolo italiano Creazione di un sistema di Cyber Threat Hunting mediante algoritmi di Machine Learning e Deep Learning
Titolo inglese Creation of a Cyber Threat Hunting system through Machine Learning and Deep Learning algorithms
Abstract in italiano Questa tesi si colloca nell’ambito della Cybersecurity. In questo contesto, gli specialisti di sicurezza hanno l’obiettivo di proteggere i sistemi informatici da intrusioni non autorizzate e di definire delle strategie difensive che consentano di individuare e prevenire possibili attacchi, prima che questi causino danni maggiori. Nella tesi si è preso come riferimento l’analisi di un Web Server. L’obiettivo è quello di definire un profilo del comportamento standard in modo tale che, quando le attività di un utente differiscono dalla norma, sarà lanciato un alert. È stato proposto un modello di Anomaly Detection che, tramite l’analisi dei log e algoritmi di Machine Learning e Deep Learning, tenta di individuare le attività sospette degli utenti. La tesi si compone di due parti principali. La prima tratta la metodologia sviluppata per la definizione del modello tramite l’utilizzo di dati sperimentali. Nella seconda si utilizzano dei dati reali per valutare e migliorare il modello precedente.
Relatore URSINO, DOMENICO
Controrelatore RUSSO, PAOLO
OLIVA, ROSSELLA
Appare nelle tipologie: Laurea specialistica, magistrale, ciclo unico
File in questo prodotto:
File Descrizione Dimensione Formato  
Tesi-Paolo-Grossetti.pdf Tesi definitiva in formato PDF/A di Paolo Grossetti 6.65 MB Adobe PDF Visualizza/Apri
Frontespizio.pdf Frontespizio della tesi firmato 1.77 MB Adobe PDF Visualizza/Apri

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: http://hdl.handle.net/20.500.12075/7188