| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Izpis gradiva Pomoč

Naslov:Uporaba strojnega učenja za zaznavo kibernetskih napadov : magistrsko delo
Avtorji:ID Steiner, Benjamin (Avtor)
ID Vrhovec, Simon (Mentor) Več o mentorju... Novo okno
Datoteke:.pdf MAG_Steiner_Benjamin_2024.pdf (1,41 MB)
MD5: B9A33C4FE710322065683E5EEC232E05
 
Jezik:Slovenski jezik
Vrsta gradiva:Magistrsko delo/naloga
Tipologija:2.09 - Magistrsko delo
Organizacija:FVV - Fakulteta za varnostne vede
Opis:Strojno učenje se vse več uporablja v povezavi z zaznavo kibernetskih napadov, saj lahko s tem načinom zaznamo tudi bolj napredne kibernetske napade kot z drugimi načini zaznave. Glavni element učenja algoritmov nadzorovanega strojnega učenja za katero koli domeno uporabe so ustrezno označeni učni podatki, prek katerih se algoritem uči in kasneje tudi deluje. Ne vemo pa, točno koliko podatkov ti algoritmi potrebujejo za učenje, da postanejo učinkoviti. V magistrskem delu je bila uporabljena podatkovna zbirka UNSW-NB15, ki vsebuje več milijonov paketkov simuliranega omrežnega prometa in devet različnih kibernetskih napadov, kjer je vsak paketek že označen kot običajen mrežni promet ali kibernetski napad. Izvedeno je bilo učenje sedmih najpogostejših algoritmov strojnega učenja pri različnih deležih uporabljenih podatkov, da se je lahko določilo, pri katerih deležih učnih podatkov se merjene metrike normalizirajo. Rezultati so pokazali, da se je v povprečju metrike izbranih algoritmov normaliziralo okoli 10 % uporabljenih učnih podatkov (8233 vnosov), kar lahko pripomore k izdelavi bolj učinkovitih algoritmov za zaznavo kibernetskih napadov.
Ključne besede:kibernetski napadi, strojno učenje, lokalna omrežja, Python, UNSW-NB15, magistrska dela
Kraj izida:Ljubljana
Kraj izvedbe:Ljubljana
Založnik:B. Steiner
Leto izida:2024
Leto izvedbe:2024
Št. strani:IX f., [69] str.
PID:20.500.12556/DKUM-89203 Novo okno
UDK:004.056.53:004.85(043.2)
COBISS.SI-ID:200834051 Novo okno
Datum objave v DKUM:05.07.2024
Število ogledov:491
Število prenosov:85
Metapodatki:XML DC-XML DC-RDF
Področja:FVV
:
Kopiraj citat
  
Skupna ocena:(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:Bookmark and Share



Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.
Začetek licenciranja:26.06.2024

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Using machine learning to detect cyber attacks
Opis:Machine learning is increasingly being used in conjunction with cyber attack detection, as it can detect more advanced cyber attacks than other detection methods. A key element of supervised machine learning algorithms for any application domain is appropriately labelled training data, which the algorithm learns from and subsequently operates on. However, we do not know exactly how much learning data the aforementioned algorithms need to become effective. We have used the UNSW-NB15 dataset, which contains millions of packets of simulated network traffic and nine different cyber-attacks, where each packet is already labelled as normal network traffic, or a cyber-attack. We then performed training of the seven most common machine learning algorithms on different proportions of the data used to determine at which proportions of the training data the measured metrics normalize. We found that, on average, the metrics of the selected algorithms normalized around 10% of the training data used (8233 entries), which can help to produce more effective algorithms for detecting cyber-attacks.
Ključne besede:cyber attack detection, local area network, machine learning, Python, UNSW-NB15


Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici