diplomsko delo
Jure Bovha (Avtor), Matevž Pustišek (Mentor)

Povzetek

Široka uporaba medsebojno povezanih računalniških sistemov je postala temelj izboljšave naših življenj, hkrati pa je izpostavila ranljivosti, katere je mogoče izkoristiti in presegajo človeški nadzor. Zaradi teh ranljivosti so varnostni sistemi na področju kibernetske varnosti bistveni, za varno komunikacijo med omrežji. Eden izmed mehanizmov, ki nam omogoča obrambo pred omrežnimi napadi, so sistemi za zaznavanje vdorov IDS (angl. Intrusion Detection System). Glede na pričakovano pospešitev in povečanje računalniških groženj v tej nalogi raziskujem uporabnost in zmogljivost algoritmov globokega učenja na področju zaznavanja vdorov v omrežje. Naloga opisuje implementacijo modela globokega učenja, ki je naučen na naboru podatkov CIC-IDS-2018, dostopnem na spletni strani Kaggle. Ustvarjena arhitektura globoke nevronske mreže DNN (angl. Deep neural network) je ovrednotena z različnimi metrikami, bodisi s poudarkom na hitrosti ali pa na natančnosti. Nabor podatkov je predhodno obdelan, da lahko sistem za zaznavanje vdorov deluje z manj računskimi stroški. Testiranje rezultatov je ločeno glede na dejstvo, ali je opazovan segment omrežnega prometa del napada ali pa ne.

Ključne besede

strojno učenje;klasifikacije;omrežni napadi;visokošolski strokovni študij;Aplikativna elektrotehnika;diplomske naloge;

Podatki

Jezik: Slovenski jezik
Leto izida:
Tipologija: 2.11 - Diplomsko delo
Organizacija: UL FE - Fakulteta za elektrotehniko
Založnik: [J. Bovha]
UDK: 004.85:004.7.056(043.2)
COBISS: 144320771 Povezava se bo odprla v novem oknu
Št. ogledov: 24
Št. prenosov: 8
Ocena: 0 (0 glasov)
Metapodatki: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Ostali podatki

Sekundarni jezik: Angleški jezik
Sekundarni naslov: ǂA ǂdeep neural network model for network intrusion detection
Sekundarni povzetek: The widespread use of interconnected computer systems has become the foundation of improving our lives. At the same time it highlighted the vulnerabilities, that can be exploited to overcome human control. Because of these vulnerabilities, security systems in the field of cyber security are essential, for secure communication between networks. One of the mechanisms that allow us to defend against network attacks are intrusion detection systems (IDS). In this paper I explore the applicability and performance of deep learning algorithms in the field of knowledge of network intrusions, given the expected acceleration and increase in computer threats. The paper describes the implementation of a deep learning model, trained on the CIC-IDS-2018 dataset, which is available on the Kaggle website. The created architecture of the deep neural network (DNN) is evaluated with various metrics, with an emphasis on speed, or accuracy. The dataset is pre-processed, so that the intrusion detection system can operate with less computational cost. The testing of results is divided, so that the result either points to the network flow being part of an attack, or not.
Sekundarne ključne besede: machine learning;classification;network attacks;
Vrsta dela (COBISS): Diplomsko delo/naloga
Študijski program: 1000315
Konec prepovedi (OpenAIRE): 1970-01-01
Komentar na gradivo: Univ. v Ljubljani, Fak. za elektrotehniko
Strani: XVIII, 47 str.
ID: 18177065