prikaz prve stranice dokumenta Primjena strojnog učenja za klasifikaciju prijetnji iz zapisa o kibernetičkoj sigurnosti
No public access
undergraduate thesis
Primjena strojnog učenja za klasifikaciju prijetnji iz zapisa o kibernetičkoj sigurnosti
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. urn:nbn:hr:168:490781
Medak, Mirta
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Medak, M. (2022). Primjena strojnog učenja za klasifikaciju prijetnji iz zapisa o kibernetičkoj sigurnosti (Undergraduate thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:490781

Medak, Mirta. "Primjena strojnog učenja za klasifikaciju prijetnji iz zapisa o kibernetičkoj sigurnosti." Undergraduate thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. https://urn.nsk.hr/urn:nbn:hr:168:490781

Medak, Mirta. "Primjena strojnog učenja za klasifikaciju prijetnji iz zapisa o kibernetičkoj sigurnosti." Undergraduate thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. https://urn.nsk.hr/urn:nbn:hr:168:490781

Medak, M. (2022). 'Primjena strojnog učenja za klasifikaciju prijetnji iz zapisa o kibernetičkoj sigurnosti', Undergraduate thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 23 November 2024, https://urn.nsk.hr/urn:nbn:hr:168:490781

Medak M. Primjena strojnog učenja za klasifikaciju prijetnji iz zapisa o kibernetičkoj sigurnosti [Undergraduate thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2022 [cited 2024 November 23] Available at: https://urn.nsk.hr/urn:nbn:hr:168:490781

M. Medak, "Primjena strojnog učenja za klasifikaciju prijetnji iz zapisa o kibernetičkoj sigurnosti", Undergraduate thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2022. Available at: https://urn.nsk.hr/urn:nbn:hr:168:490781

Metadata
TitlePrimjena strojnog učenja za klasifikaciju prijetnji iz zapisa o kibernetičkoj sigurnosti
Title (english)Application of machine learning to threat classification from cybersecurity records
AuthorMirta Medak
MentorJan Šnajder (mentor)
Committee memberJan Šnajder (predsjednik povjerenstva)
Committee memberMarko Barišić (član povjerenstva)
Committee memberDomagoj Pluščec (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2022-07-05, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Kibernetički napadi predstavljaju veliki problem za sve korisnike računalnih sustava. Procjena rizika kibernetičkih prijetnji može biti dugačak i skup proces. Za procjenu opasnosti od prijetnje koristi se ocjena Common Vulnerability Scoring System (CVSS). CVSS ranjivostima dodjeljuju stručnjaci. Uz pomoć metoda obrade prirodnog jezika moguće je predvidjeti CVSS iz opisa ranjivosti. Regresija potpornih vektora i BERT regresor korišteni su za izravno predviđanje osnovne komponente CVSS-a iz opisa. Regresijski modeli pokazali su se dovoljno uspješnima s obzirom na postojeće rezultate, ali postoji puno prostora za napredak. S druge strane, moguće je predvidjeti parametre CVSS-a u rasponu točnosti od 0,90-0,95 koristeći BERT klasifikacijski model. Ovaj rezultat pokazao je barem jedan korak prema automatiziranom predviđanju CVSS-a.
Abstract (english)
Cyber attacks are a problem for all users of computer systems. Prioritization and evaluation of threats can be difficult and costly. The Common Vulnerability Scoring System (CVSS) score is used to assess the danger of a threat. CVSS is assigned by experts. With help of NLP methods, it is possible to predict CVSS score from the description of a vulnerability. Support Vector Regression and BERT Regressor were used to directly predict the base component of CVSS. The models performed well compared to already existent methods, but there is space for improvement. On the other hand, it is possible to predict the score metrics in the accuracy range of 0.90-0.95 using the BERT classification model. This would be at least one step towards automated prediction of CVSS.
Keywords
Keywords (english)
Languageenglish
URN:NBNurn:nbn:hr:168:490781
Study programmeTitle: Computing
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 conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2023-01-15 10:49:11