prikaz prve stranice dokumenta Primjena strojnog učenja za kibernetičku sigurnost
  Preuzmi
PDF 2.96 MB
završni rad
Primjena strojnog učenja za kibernetičku sigurnost
2023. urn:nbn:hr:190:070820
Kozlov, Marko
Sveučilište u Rijeci
Tehnički fakultet

Citirajte ovaj rad

Kozlov, M. (2023). Primjena strojnog učenja za kibernetičku sigurnost (Završni rad). Rijeka: Sveučilište u Rijeci, Tehnički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:190:070820

Kozlov, Marko. "Primjena strojnog učenja za kibernetičku sigurnost." Završni rad, Sveučilište u Rijeci, Tehnički fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:190:070820

Kozlov, Marko. "Primjena strojnog učenja za kibernetičku sigurnost." Završni rad, Sveučilište u Rijeci, Tehnički fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:190:070820

Kozlov, M. (2023). 'Primjena strojnog učenja za kibernetičku sigurnost', Završni rad, Sveučilište u Rijeci, Tehnički fakultet, citirano: 30.11.2024., https://urn.nsk.hr/urn:nbn:hr:190:070820

Kozlov M. Primjena strojnog učenja za kibernetičku sigurnost [Završni rad]. Rijeka: Sveučilište u Rijeci, Tehnički fakultet; 2023 [pristupljeno 30.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:070820

M. Kozlov, "Primjena strojnog učenja za kibernetičku sigurnost", Završni rad, Sveučilište u Rijeci, Tehnički fakultet, Rijeka, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:070820

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:190:070820
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovPrimjena strojnog učenja za kibernetičku sigurnost
Naslov (engleski)Machine learning applied for cybersecurity
AutorMarko Kozlov
MentorGoran Mauša (mentor)
Član povjerenstvaMiroslav Joler (predsjednik povjerenstva)
Član povjerenstvaGoran Mauša (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Rijeci
Tehnički fakultet
Rijeka
Datum i država obrane2023-09-13, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Umjetna inteligencija
Sažetak
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.
Sažetak (engleski)
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.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:190:070820
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: preddiplomski
Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ. bacc. ing. comp)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Imenovanje 4.0 međunarodna (CC BY 4.0)
Datum i vrijeme pohrane2023-09-12 10:35:39