Συνεπιβλέπων Ερευνητής Γιάννης Λακουμέντας [ΙΝ.ΒΙ.Σ./«ΑΘΗΝΑ»]

Στα επερχόμενα τηλεπικοινωνιακά δίκτυα νέας γενιάς (6G), η ενσωμάτωση μεθόδων τεχνητής νοημοσύνης (ΑΙ), με κυρίαρχο το deep learning, αναμένεται να διαδραματίσει κομβικό ρόλο σε πολλαπλούς πυλώνες της «έξυπνης» λειτουργίας και «zero-touch» ενορχήστρωσής τους. Ένα παράδειγμα εφαρμογής αυτοματισμού σε 6G μέσω ΑΙ, είναι και η πρόβλεψη της εξέλιξης του υφιστάμενου κυκλοφοριακού φορτίου, με τη μοντελοποίησή του ως σύνολο από χρονοσειρές ιστορικών δεδομένων κυκλοφορίας. Μια τέτοια «καλή» πρόβλεψη θα επιτρέπει proactively το δίκτυο να απελευθερώνει κατάλληλη ποσότητα πόρων εξυπηρέτησης, αλλά και να δύναται να εγγυηθεί τα καλούμενα service level agreements με παρόχους τηλεπικοινωνιακών υπηρεσιών.
Στις μέρες μας που η ΑΙ βρίσκεται στο peak της, μια τάση αποτελεί η εισαγωγή μεθόδων που να εξασφαλίζουν αξιοπιστία στα αποτελέσματα και στις προβλέψεις της, κάτι που φανερά έχει να κάνει με high-stake εφαρμογές αυτής, όπως τα δίκτυα 6G (και επεκτάσεις τους σε ζητήματα όπως αυτόνομη οδήγηση, τηλεϊατρική, Internet των πραγμάτων και «έξυπνες» δομές, κ.α.). Τα deep learning μοντέλα χαρακτηρίζονται εγγενώς από αδιαφάνεια, και οι έξοδοί τους τείνουν να είναι συχνά under- ή over-confident, παρά τα εν τέλει σημαντικά επίπεδα απόδοσής τους. Το αξιόπιστο deep learning, όμως, απαιτεί μεταξύ άλλων διαφάνεια (ή επεξηγησιμότητα), αλλά και εκτίμηση των πιθανών σφαλμάτων των εξόδων του (ή ποσοτικοποίηση της αβεβαιότητας).
Η παρούσα διπλωματική εργασία θα καταπιαστεί με το ζήτημα πρόβλεψης πολυμεταβλητών χρονοσειρών με deep learning, και με μοντέλα όπως το LSTM (RNN), το CNN, το Transformer, τα οποία θα δέχονται είσοδο πραγματικές 5G χρονοσειρές ιστορικού κυκλοφοριακού φορτίου και θα δίνουν έξοδο μελλοντική παράλληλη πρόβλεψη στο χρόνο. Θα εξεταστεί μια πρόβλεψη της κάθε χρονοσειράς χωριστά, αλλά και η εκπαίδευση και η πρόβλεψη των μοντέλων με τρόπο παράλληλο, που θα εκμεταλλεύεται πιθανές συσχετίσεις στην εξέλιξη των χρονοσειρών. Πολύ σημαντική έμφαση θα δοθεί στην ποσοτικοποίηση της αβεβαιότητας των εξόδων, αλλά και σε αποτίμηση αυτής, που σημαίνει ότι οι προβλέψεις θα συνοδεύονται από όρια εμπιστοσύνης.
Για να είναι η έξοδος του deep learning διπλή, δηλαδή να επιστρέφει ένα μέτρο κεντρικότητας μ και μαζί κι ένα μέτρο διασποράς σ, χρειάζεται η χρήση κατανομής και πιθανοκρατική μάθηση, που δεν είναι όμως το default στο deep learning. Το state-of-the-art είναι οι Bayesian τεχνικές, που όμως είναι πολύπλοκες και μη εφαρμόσιμες ενίοτε, και προσεγγίσεις αυτών όπως η Monte Carlo dropout, που όμως είναι χρονοβόρα στη φάση του inference. Frequentist τεχνικές επίσης υπάρχουν, όπως η bootstrap (που πάσχει από την ίδια αδυναμία με την Monte Carlo dropout). Εμείς θα έχουμε να αντιπροτείνουμε ένα νέο framework, που θα περιλαμβάνει πιθανοκρατικό τελευταίο layer του deep learning (Gaussian or multivariate Gaussian layer with full covariance matrix για τα σενάρια πρόβλεψης – univariate/multivariate) με αρμόζουσα μετρική βέλτιστου, συνοδευόμενο από μεθόδους calibration και conformal prediction, ώστε να κάνουμε σύγκριση.
Η εργασία απαιτεί την υλοποίηση σε Python (και σε βιβλιοθήκες όπως TensorFlow, TensorFlow-Probability, AWS-Fortuna, Pandas), και θεωρητική γνώση που προσφέρεται από τα μαθήματα «Πιθανότητες και αρχές στατιστικής», «Αρχιτεκτονικές 5G, τεχνολογίες, εφαρμογές και βασικοί δείκτες απόδοσης», μεταξύ άλλων. Η σχετική βιβλιογραφία δίνεται στον παρακάτω σύνδεσμο:
diploma thesis 2025 network traffic.

Στα επερχόμενα τηλεπικοινωνιακά δίκτυα νέας γενιάς (6G), η ενσωμάτωση μεθόδων τεχνητής νοημοσύνης (ΑΙ), με κυρίαρχο το deep learning, αναμένεται να διαδραματίσει κομβικό ρόλο σε πολλαπλούς πυλώνες της «έξυπνης» λειτουργίας και «zero-touch» ενορχήστρωσής τους. Ένα παράδειγμα εφαρμογής αυτοματισμού σε 6G μέσω ΑΙ, είναι και η ανίχνευση ενός ενδεχόμενου σεναρίου κακόβουλης (malignant) δραστηριότητας στο δίκτυο έναντι της τυπικής καλοήθους (benign) δραστηριότητας, όπως πιθανά worms, shellcode, backdoors, επιθέσεις ανάλυσης και άρνησης παροχής υπηρεσίας (DoS), fuzzers και εκμετάλλευση ευπαθειών, κ.α., που είναι καλό να εντοπίζονται proactively κι άπαξ της αρχικοποίησής τους, για ελαχιστοποίηση των κινδύνων.

Στις μέρες μας που η ΑΙ βρίσκεται στο peak της, μια τάση αποτελεί η εισαγωγή μεθόδων που να εξασφαλίζουν αξιοπιστία στα αποτελέσματα και στις προβλέψεις της, κάτι που φανερά έχει να κάνει με high-stake εφαρμογές αυτής, όπως τα δίκτυα 6G (και επεκτάσεις τους σε ζητήματα όπως αυτόνομη οδήγηση, τηλεϊατρική, Internet των πραγμάτων και «έξυπνες» δομές, κ.α.). Τα deep learning μοντέλα χαρακτηρίζονται εγγενώς από αδιαφάνεια, και οι έξοδοί τους τείνουν να είναι συχνά under- ή over-confident, παρά τα εν τέλει σημαντικά επίπεδα απόδοσής τους. Το αξιόπιστο deep learning, όμως, απαιτεί μεταξύ άλλων διαφάνεια (ή επεξηγησιμότητα), αλλά και εκτίμηση των πιθανών σφαλμάτων των εξόδων του (ή ποσοτικοποίηση της αβεβαιότητας).

Η παρούσα διπλωματική εργασία θα καταπιαστεί με το ζήτημα της κατηγοριοποίησης απειλών σε ένα 5G δίκτυο, εκπαιδεύοντας μοντέλα deep learning με διαθέσιμα ιστορικά δεδομένα που έχουν tabular μορφή. Άρα θα χρειαστούν κατάλληλες αρχιτεκτονικές, όπως από την πιο απλή περίπτωση των multilayer perceptrons ως το TabNet που βασίζεται στο Transformer. Πρόκειται να εξεταστεί τόσο η binary (benign/malignant) όσο και η multiclass (any type of attack) εκδοχή του προβλήματος ταξινόμησης, και πολύ σημαντική βαρύτητα θα δοθεί στην ποσοτικοποίηση της αβεβαιότητας των εξόδων των μοντέλων, που είναι πιθανότητες συμβάντων τιμών κλάσης. Δηλαδή, στις πιθανότητες αυτές θα εξάγονται συνοδευτικά και αξιόπιστα όρια εμπιστοσύνης.

Για να είναι η έξοδος του deep learning διπλή, δηλαδή να επιστρέφει ένα μέτρο κεντρικότητας μ και μαζί κι ένα μέτρο διασποράς σ, χρειάζεται η χρήση κατανομής και πιθανοκρατική μάθηση, που δεν είναι όμως το defaultστο deep learning. Το state-of-the-art είναι οι Bayesian τεχνικές, που όμως είναι πολύπλοκες και μη εφαρμόσιμες ενίοτε, και προσεγγίσεις αυτών όπως η Monte Carlo dropout, που όμως είναι χρονοβόρα στη φάση του inference. Frequentist τεχνικές επίσης υπάρχουν, όπως η bootstrap (που πάσχει από την ίδια αδυναμία με την Monte Carlodropout). Εμείς θα έχουμε να αντιπροτείνουμε ένα νέο framework, που θα περιλαμβάνει πιθανοκρατικό τελευταίο layer του deep learning (όπου η SoftMax gate που προορίζεται για binary/multiclass ταξινόμηση θα αντικατασταθεί με μια probabilistic Dirichlet) με αρμόζουσα μετρική βέλτιστου, συνοδευόμενο από μεθόδους calibration και conformal prediction, ώστε να κάνουμε σύγκριση.

Η εργασία απαιτεί την υλοποίηση σε Python (και σε βιβλιοθήκες όπως TensorFlow, TensorFlow-Probability, AWS-Fortuna, Pandas), και θεωρητική γνώση που προσφέρεται από τα μαθήματα «Πιθανότητες και αρχές στατιστικής», «Αρχιτεκτονικές 5G, τεχνολογίες, εφαρμογές και βασικοί δείκτες απόδοσης», μεταξύ άλλων. Η σχετική βιβλιογραφία δίνεται στον παρακάτω σύνδεσμο:

diploma thesis 2025 network intrusion.