• BigData
• FlowLabeling
• IntrusionDetection
• RetiNeurali
• SecurityAnalytics

Oggigiorno tra le problematiche della sicurezza informatica vi è quella che i tradizionali Network Intrusion Detection System rilevano solo un sotto insieme del traffico di rete generato da attacchi, ovvero quello che corrisponde a signature di attacchi noti.
Per minimizzare tale problema in questa tesi viene proposto una innovativo sistema basato su reti neurali per individuare esaustivamente il traffico generato da attacchi mediante la classificazione dei flow.
Ai fini dell’addestramento delle reti neurali sono stati realizzati dei sistemi dedicati per il labeling, l’analisi e il pre-processing dei flow.
È stata poi condotta una approfondita campagna sperimentale tesa ad individuare la configurazione del sistema in grado di erogare le migliori performance di classificazione.
I risultati finali si sono ottenuti addestrando e testando la configurazione migliore su 24 ore di flow collezionati dagli apparati di una rete a larga banda.

Today, among the problems of computer security there is the one that the traditional Network Intrusion Detection System detect only a subset of the network traffic generated by attacks, that is the one that corresponds to the signature of known attacks. In order to minimize this problem, this thesis proposes an innovative system based on neural networks to exhaustively identify the traffic generated by attacks by classifying flows.   For the purpose of training neural networks, dedicated systems for labeling, analysis and pre-processing of flows have been implemented. An in-depth experimental campaign was carried out aimed at identifying the configuration of the system capable of delivering the best classification performance. The final results were obtained by training and testing the best configuration over 24 hours of flow collected by the equipment of a broadband network.