prikaz prve stranice dokumenta Primjena algoritama strojnog učenja u svrhu detekcije netipičnih vrijednosti mrežnih podataka
No public access
master's thesis
Primjena algoritama strojnog učenja u svrhu detekcije netipičnih vrijednosti mrežnih podataka
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2021. urn:nbn:hr:168:214485
Vodopija, Andreja
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Vodopija, A. (2021). Primjena algoritama strojnog učenja u svrhu detekcije netipičnih vrijednosti mrežnih podataka (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:214485

Vodopija, Andreja. "Primjena algoritama strojnog učenja u svrhu detekcije netipičnih vrijednosti mrežnih podataka." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2021. https://urn.nsk.hr/urn:nbn:hr:168:214485

Vodopija, Andreja. "Primjena algoritama strojnog učenja u svrhu detekcije netipičnih vrijednosti mrežnih podataka." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2021. https://urn.nsk.hr/urn:nbn:hr:168:214485

Vodopija, A. (2021). 'Primjena algoritama strojnog učenja u svrhu detekcije netipičnih vrijednosti mrežnih podataka', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 06 July 2024, https://urn.nsk.hr/urn:nbn:hr:168:214485

Vodopija A. Primjena algoritama strojnog učenja u svrhu detekcije netipičnih vrijednosti mrežnih podataka [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2021 [cited 2024 July 06] Available at: https://urn.nsk.hr/urn:nbn:hr:168:214485

A. Vodopija, "Primjena algoritama strojnog učenja u svrhu detekcije netipičnih vrijednosti mrežnih podataka", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2021. Available at: https://urn.nsk.hr/urn:nbn:hr:168:214485

Metadata
TitlePrimjena algoritama strojnog učenja u svrhu detekcije netipičnih vrijednosti mrežnih podataka
Title (english)Application of machine learning algorithms for detection of atypical network data values
AuthorAndreja Vodopija
MentorMihaela Vranić (mentor)
Committee memberMihaela Vranić (član povjerenstva)
Committee memberBoris Vrdoljak (član povjerenstva)
Committee memberDamir Pintar (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2021-07-15, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Razvojem Interneta je došlo do potrebe za zaštitom u virtualnom svijetu jer su korisnici interneta svakodnevno izloženi zlonamjernim napadima. Analizom mrežnog prometa mogu se pronaći netipične vrijednosti u mrežnim paketima koje najčešće upućuju na neku vrstu napada. Pronalazak tih netipičnih vrijednosti se provodi detekcijom anomalija koja se može implementirati raznim algoritmima strojnog učenja. Nakon uvoda u strojno učenje i algoritme, analizirat će se rezultati algoritama logističke regresije, stroja potpornih vektora, slučajnih šuma, stabla odlučivanja, Gaussovog naivnog Bayesa, umjetnih neuronskih mreža i algoritma k srednjih vrijednosti i k najbližih susjeda. Za svaki od algoritama se pronalazi onaj sa najboljim hiperparametrima te se rezultati grafički prikazuju i objašnjavaju. Za učenje i testiranje modela koristi se NSL-KDD skup podataka koji je prethodno pretprocesiran.
Abstract (english)
With the development of the Internet, a need for protection in the virtual world arose. Internet users are exposed to malicious attacks on daily basis and analysis of network traffic can find atypical values in network packets that most often indicate a malicious attack. The discovery of these atypical values is carried out by anomaly detection that can be implemented by various machine learning algorithms. After an introduction to machine learning and algorithms, the results of logistic regression, support vector machine, random forests, decision tree, Gaussian naive Bayes, artificial neural networks and k means and k nearest neighbors algorithm will be analyzed. For each of the algorithms, a model with the best hyperparameters is found, and results are graphically displayed and explained. For training and testing, the model uses an NSL-KDD data set that is previously preprocessed.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:214485
Study programmeTitle: Computing
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2023-01-13 14:12:14