prikaz prve stranice dokumenta Model strojnog učenja za detekciju kompromitiranih web-stranica u hrvatskom domenskom prostoru
No public access
master's thesis
Model strojnog učenja za detekciju kompromitiranih web-stranica u hrvatskom domenskom prostoru
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. urn:nbn:hr:168:887979
Skendrović, Bruno
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Skendrović, B. (2022). Model strojnog učenja za detekciju kompromitiranih web-stranica u hrvatskom domenskom prostoru (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:887979

Skendrović, Bruno. "Model strojnog učenja za detekciju kompromitiranih web-stranica u hrvatskom domenskom prostoru." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. https://urn.nsk.hr/urn:nbn:hr:168:887979

Skendrović, Bruno. "Model strojnog učenja za detekciju kompromitiranih web-stranica u hrvatskom domenskom prostoru." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. https://urn.nsk.hr/urn:nbn:hr:168:887979

Skendrović, B. (2022). 'Model strojnog učenja za detekciju kompromitiranih web-stranica u hrvatskom domenskom prostoru', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 27 December 2024, https://urn.nsk.hr/urn:nbn:hr:168:887979

Skendrović B. Model strojnog učenja za detekciju kompromitiranih web-stranica u hrvatskom domenskom prostoru [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2022 [cited 2024 December 27] Available at: https://urn.nsk.hr/urn:nbn:hr:168:887979

B. Skendrović, "Model strojnog učenja za detekciju kompromitiranih web-stranica u hrvatskom domenskom prostoru", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2022. Available at: https://urn.nsk.hr/urn:nbn:hr:168:887979

Metadata
TitleModel strojnog učenja za detekciju kompromitiranih web-stranica u hrvatskom domenskom prostoru
Title (english)Machine learning model for detection of malicious web pages in Croatian domain space
AuthorBruno Skendrović
MentorStjepan Groš (mentor)
Committee memberStjepan Groš (predsjednik povjerenstva)
Committee memberAnte Đerek (član povjerenstva)
Committee memberLeonardo Jelenković (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2022-09-21, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Sa sve većim brojem aktivnih web stranica rastu i kriminalne aktivnosti na Internetu. Napadači putem weba pokušavaju prevariti korisnika u davanje osjetljivih podataka ili skidanja i pokretanja zlonamjernih programa. Radi sprječavanja takvih aktivnosti ovaj rad se bavi detekcijom zlonamjernih web stranica strojnim učenjem. Proučavan je skup podataka MalCrawler te su napisane skripte za dobivanje njenih značajki u svrhu stvaranja novog skupa podataka nad stranicama u hr domeni. Rezultati strojnog učenja nad MalCrawler postigli su jako dobre rezultate gdje je najbolje rezultate postigao algoritam stabla odluke C4.5 s točnošću od 0.99884 te f1 mjere od 0.97456. Servis za sigurno pretraživanje pronašao je 43 zlonamjerna URL-a hr domeni. Rezultati strojnog učenja nad hr skupom podataka postigli su jako loše rezultate te je potreban ručni pregled stranica pomoću dodatnih značajki dobivenih statičkom analizom web stranice.
Abstract (english)
With the increasing number of active websites, criminal activities on the Internet are also increasing. Web-based attackers try to trick users into providing sensitive information or downloading and running malicious programs. In order to prevent such activities, this paper deals with the detection of malicious websites using machine learning. The MalCrawler dataset was studied and scripts were written to obtain its features in order to create a new dataset over pages in the hr domain. The results of machine learning and MalCrawler achieve very good results where the best result was achieved by the C4.5 decision tree algorithm with an accuracy of 0.99884 and an f1 measure of 0.97456. The Google Safe Browsing service found 43 malicious URLs in the hr domain. The results of machine learning on hr dataset give very poor results. A manual review of the web page is required by using additional features obtained from static analysis of the web page.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:887979
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 16:05:43