Anomaly detecton tramite machine learning e neural networks

Il rilevamento delle anomalie (o anomaly detection), nell'ambito della sicurezza informatica e del monitoraggio dei sistemi, riveste un ruolo cruciale per identificare comportamenti anomali, che potrebbero indicare la presenza di minacce o problemi nel sistema. Questa tesi propone un approccio che compari gli strumenti di ricerca e analisi dei dati come ElasticSearch e OpenSearch, a reti neurali, nello specifico reti neurali ricorrenti (RNN). Nella prima parte dello studio, viene esaminata l'efficacia di ElasticSearch e OpenSearch nel rilevare anomalie nei dati strutturati e non strutturati. Attraverso l'utilizzo di tecniche di indicizzazione e interrogazione avanzate, si valuta la capacità di questi strumenti di individuare deviazioni significative nei dati e di generare avvisi tempestivi. Nella seconda parte della ricerca, ci si concentra sull'applicazione di reti neurali ricorrenti. Le RNN, grazie alla loro capacità di modellare le dipendenze temporali nei dati sequenziali, offrono un approccio promettente per rilevare anomalie in serie temporali complesse e non lineari. Vengono esplorate architetture di reti neurali adatte a questo compito e vengono analizzati i loro risultati in termini di accuratezza e affidabilità. Infine, la tesi integra i risultati ottenuti dalle due metodologie, confrontando le prestazioni di ElasticSearch/OpenSearch e reti RNN nel rilevamento di anomalie. Si discutono le sfide e le opportunità nell'integrazione di questi approcci e si suggeriscono possibili sviluppi futuri per migliorare l'efficacia e l'efficienza complessiva del sistema.