prikaz prve stranice dokumenta Primjena strojnog učenja za kibernetičku sigurnost
  Download
PDF 2.96 MB
undergraduate thesis
Primjena strojnog učenja za kibernetičku sigurnost
2023. urn:nbn:hr:190:070820
Kozlov, Marko
University of Rijeka
Faculty of Engineering

Cite this document

Kozlov, M. (2023). Primjena strojnog učenja za kibernetičku sigurnost (Undergraduate thesis). Rijeka: University of Rijeka, Faculty of Engineering. Retrieved from https://urn.nsk.hr/urn:nbn:hr:190:070820

Kozlov, Marko. "Primjena strojnog učenja za kibernetičku sigurnost." Undergraduate thesis, University of Rijeka, Faculty of Engineering, 2023. https://urn.nsk.hr/urn:nbn:hr:190:070820

Kozlov, Marko. "Primjena strojnog učenja za kibernetičku sigurnost." Undergraduate thesis, University of Rijeka, Faculty of Engineering, 2023. https://urn.nsk.hr/urn:nbn:hr:190:070820

Kozlov, M. (2023). 'Primjena strojnog učenja za kibernetičku sigurnost', Undergraduate thesis, University of Rijeka, Faculty of Engineering, accessed 30 November 2024, https://urn.nsk.hr/urn:nbn:hr:190:070820

Kozlov M. Primjena strojnog učenja za kibernetičku sigurnost [Undergraduate thesis]. Rijeka: University of Rijeka, Faculty of Engineering; 2023 [cited 2024 November 30] Available at: https://urn.nsk.hr/urn:nbn:hr:190:070820

M. Kozlov, "Primjena strojnog učenja za kibernetičku sigurnost", Undergraduate thesis, University of Rijeka, Faculty of Engineering, Rijeka, 2023. Available at: https://urn.nsk.hr/urn:nbn:hr:190:070820

Please login to the repository to save this object to your list.
Metadata
TitlePrimjena strojnog učenja za kibernetičku sigurnost
Title (english)Machine learning applied for cybersecurity
AuthorMarko Kozlov
MentorGoran Mauša (mentor)
Committee memberMiroslav Joler (predsjednik povjerenstva)
Committee memberGoran Mauša (član povjerenstva)
GranterUniversity of Rijeka
Faculty of Engineering
Rijeka
Defense date and country2023-09-13, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Artificial Intelligence
Abstract
U ovom završnom radu je opisan postupak kreiranja modela strojnog učenja za detekciju anomalija u mrežnom prometu, pri čemu se pod detekcijom anomalija misli na detekciju neovlaštenog pristupa. Opisani su skupovi podataka NF-BoT-IoT, NFUNSW-NB15 i NF-UNSW-NB15-V2 te njihove značajke. Opisan je postupak provođenja procesa strojnog učenja, te je taj proces primijenjen za algoritme naivni Bayesov klasifikator, stablo odluke, slučajna šuma i KNN. Navedeni klasifikatori su korišteni za treniranje modela nad 3 različita skupa podataka, te se na temelju klasifikacijskih metrika odredio najbolji model za detekciju anomalija u mrežnom prometu. Najbolji model je treniran pomoću algoritma stabla odluke i NF-UNSW-NB15-V2 skupa podataka. Po pitanju primjene u stvarnom svijetu, navedeni model je ograničen na prepoznavanje vrsta napada koje obuhvaća skup podataka za treniranje. Prema tome, za detekciju više vrsta napada potrebno je koristiti puno veći skup podataka koji sadrži širi spektar napadačkih uzoraka. Također, radi neizbježnih False Positive vrijednosti, navedeni model je potrebno implementirati isključivo kao sustav upozorenja na potencijalni napad na temelju kojeg se mogu poduzeti daljnje akcije.
Abstract (english)
This thesis describes the process of creating a machine learning model for detection of anomalies in network traffic, whereby the anomaly detection refers to the intrusion detection. NF-BoT-IoT, NF-UNSW-NB15 and NF-UNSW-NB15-V2 datasets and their features are described. The procedure of implementing the machine learning process is described, and this process is applied to Naive Bayes, Decision Tree, Random Forest and KNN classifiers. The specified classifiers were used to train the model on 3 different datasets, and based on the classification metrics, the best model for detecting anomalies in network traffic was determined. The best model was trained using the Decision Tree algorithm and the NF-UNSW-NB15-V2 dataset. In terms of real-world application, the mentioned model is limited to recognizing the types of attacks that comprise the training dataset. Therefore, for the detection of more types of attacks, it is necessary to use a much larger dataset that contains a wider spectrum of attack patterns. Also, due to the inevitable False Positive values, the mentioned model should be implemented exclusively as a warning system for a potential attack based on which further actions can be taken.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:190:070820
Study programmeTitle: Computer Engineering
Study programme type: university
Study level: undergraduate
Academic / professional title: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence Attribution 4.0 International (CC BY 4.0) icon
Created on2023-09-12 10:35:39