Uporaba metod strojnega učenja za zaznavanje kompleksnejših kibernetskih groženj

Rotovnik, Maja

| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Prva stran > Izpis gradiva

Izpis gradiva

Naslov:	Uporaba metod strojnega učenja za zaznavanje kompleksnejših kibernetskih groženj
Avtorji:	ID Rotovnik, Maja (Avtor) ID Hölbl, Marko (Mentor) Več o mentorju...
Datoteke:	MAG_Rotovnik_Maja_2025.pdf (1,99 MB) MD5: 93AD3AE1BEA708BA61A7CB648348CDEB
Jezik:	Slovenski jezik
Vrsta gradiva:	Magistrsko delo/naloga
Tipologija:	2.09 - Magistrsko delo
Organizacija:	FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis:	Zaradi porasta in kompleksnosti kibernetskih groženj postajajo tradicionalni pristopi k zaznavanju napadov manj učinkoviti. Algoritmi strojnega učenja z zmožnostjo hitre obdelave velike količine podatkov ponujajo napredne rešitve za zaznavanje in preprečevanje vedno bolj prikritih in kompleksnih groženj. Namen magistrskega dela je bil ugotoviti, katere metode strojnega učenja so najučinkovitejše pri zaznavi napadov izvidništva in naprednih trajnih groženj – kompleksnejših vrst kibernetskih napadov. Raziskali smo, kako ustrezna predpriprava podatkov vpliva na učinkovitost napovedi in koliko je ansambelski pristop pri tem učinkovitejši. S sistematičnim pregledom literature smo ugotovili, da so pri zaznavi kompleksnih groženj najučinkovitejši algoritmi XGBoost, LightGBM, odločitvena drevesa, naključni gozd in naivni Bayesov klasifikator. Omenjene algoritme smo vključili v eksperiment, v katerem smo metode s pomočjo metrik (točnost, natančnost, priklic in F1 vrednost) ovrednotili. Ugotovili smo, da je pri klasifikaciji napadov najučinkovitejši algoritem naključni gozd. Iste algoritme smo vključili tudi v ansambel, pri čemer smo ugotovili, da je pri zaznavi naprednih trajnih groženj in izvidništva ansambelski pristop učinkovitejši, saj dosega višje rezultate vseh štirih metrik. Z ustreznimi tehnikami predpriprave podatkov pa smo dokazali, da ta pomembno vpliva na končno učinkovitost modelov oz. ansambla.
Ključne besede:	kibernetska varnost, napredne trajne grožnje, izvidništvo, strojno učenje
Kraj izida:	Maribor
Založnik:	[M. Rotovnik]
Leto izida:	2025
PID:	20.500.12556/DKUM-92909
UDK:	004.85:004.056.5(043.2)
COBISS.SI-ID:	244041475
Datum objave v DKUM:	08.07.2025
Število ogledov:	266
Število prenosov:	106
Metapodatki:
Področja:	KTFMB - FERI
:	Kopiraj citat

Skupna ocena:	(0 glasov)
Vaša ocena:	Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:

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:	25.05.2025

Sekundarni jezik

Jezik:	Angleški jezik
Naslov:	Machine learning-based detection of complex cyber threats
Opis:	As the number and complexity of cyber threats grow at an increasing pace, traditional approaches to attack detection are becoming less effective. Machine learning algorithms, with their ability to quickly process vast amounts of data, offer advanced solutions for detecting and preventing increasingly covert and complex threats. The aim of this master's thesis was to determine which machine learning methods are most effective in detecting reconnaissance attacks and advanced persistent threats – more complex types of cyberattacks. We examined how proper data preprocessing impacts prediction effectiveness and to what extent ensemble methods improve accuracy. Through a systematic literature review, we found that the most effective algorithms for detecting complex threats are XGBoost, LightGBM, decision trees, random forest, and the naive Bayes classifier. We included these algorithms in our own experiment, where we evaluated the methods using metrics such as accuracy, precision, recall, and F1 score, and found that the most effective algorithm for classifying attacks was random forest. We also incorporated these algorithms into an ensemble, where we discovered that, for detecting advanced persistent threats and reconnaissance, the ensemble approach is more effective than individual methods, achieving higher scores across all four metrics. Furthermore, we demonstrated that proper data preprocessing significantly impacts the final performance or the models or ensemble.
Ključne besede:	cybersecurity, advanced persistent threats, reconnaissance, machine learning

Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)

0 - 0 / 0

Ni komentarjev!

Nazaj