prikaz prve stranice dokumenta Prepoznavanje malicioznih napada pomoću strojnog učenja
  Preuzmi
PDF 1.26 MB
završni rad
Prepoznavanje malicioznih napada pomoću strojnog učenja
Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, 2024. urn:nbn:hr:200:721961
Carević, Antonio
Sveučilište Josipa Jurja Strossmayera u Osijeku
Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek
Zavod za programsko inženjerstvo
Katedra za programske jezike i sustave

Institucijski repozitorij: Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek

Citirajte ovaj rad

Carević, A. (2024). Prepoznavanje malicioznih napada pomoću strojnog učenja (Završni rad). Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:200:721961

Carević, Antonio. "Prepoznavanje malicioznih napada pomoću strojnog učenja." Završni rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, 2024. https://urn.nsk.hr/urn:nbn:hr:200:721961

Carević, Antonio. "Prepoznavanje malicioznih napada pomoću strojnog učenja." Završni rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, 2024. https://urn.nsk.hr/urn:nbn:hr:200:721961

Carević, A. (2024). 'Prepoznavanje malicioznih napada pomoću strojnog učenja', Završni rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, citirano: 23.11.2024., https://urn.nsk.hr/urn:nbn:hr:200:721961

Carević A. Prepoznavanje malicioznih napada pomoću strojnog učenja [Završni rad]. Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek; 2024 [pristupljeno 23.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:200:721961

A. Carević, "Prepoznavanje malicioznih napada pomoću strojnog učenja", Završni rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, Osijek, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:200:721961

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:200:721961
Podaci o radu
NaslovPrepoznavanje malicioznih napada pomoću strojnog učenja
Naslov (engleski)Malicious attack detection using machine learning
AutorAntonio Carević
MentorDražen Bajer (mentor)
MentorMario Dudjak (sumentor)
Član povjerenstvaRobert Cupec (predsjednik povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište Josipa Jurja Strossmayera u Osijeku
Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek
(Zavod za programsko inženjerstvo)
(Katedra za programske jezike i sustave)
Osijek
Datum i država obrane2024-09-26, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Umjetna inteligencija
Sažetak
Cilj ovog rada bio je odrediti i primijeniti tok učenja odabranih algoritama klasifikacije iz skupova podataka koji opisuju različite vrste malicioznih napada i definirati procedure unutar tog toka. Opisani su maliciozni napadi koji predstavljaju prijetnju kao što su trojanski konj, mrežna krađa identiteta, virus i distribuirani napadi uskraćivanjem usluga te se pruža uvid u tradicionalne načine obrane od ovih napada. Osim toga, objašnjen je pojam strojnog učenja i zadatak klasifikacije kao posebne vrste nadziranog strojnog učenja. Pregledom literature, prikazani su problemi u kojima je korišteno strojno učenje za izgradnju sustava za obranu od malicioznih napada. Analizirani su klasifikacijski algoritmi korišteni u radu te su predstavljene tehnike za odabir značajki i rad sa nebalansiranim skupovima podataka. U posljednjem dijelu rada predstavljene su informacije o korištenim skupovima podataka i objašnjene su postavke i metodologije u procesu učenja. Procijenjena je efikasnost metoda za odabir značajki i tehnika uzorkovanja te je analiziran njihov doprinos poboljšanju modela. Prilikom klasifikacije malicioznih napada najbolje rezultate ostvario je algoritam stablo odluke . Nasuprot njemu, najlošije se pokazao algoritam Naive Bayes. Upotrebom tehnika za odabir značajki modeli ostvaruju jednako dobre ili bolje performanse smanjenjem broja značajki. SFS omotač je jedna od tehnika koja se ističe zbog doprinosa u poboljšanju modela. Smanjenjem stupnja neuravnoteženosti skupova podataka performanse rastu upotrebom tehnike nasumičnog preuzorkovanja.
Sažetak (engleski)
The goal of this work was to determine and apply the learning flow of selected classification algorithms from data sets describing different types of malicious attacks and to define the procedures within that flow. Malicious attacks such as Trojan horses, phishing, viruses, and distributed denial-ofservice attacks are described, and traditional defenses against these attacks are provided. In addition, the concept of machine learning and the task of classification as a special type of supervised machine learning are explained. By reviewing the literature, problems in which machine learning was used to build a system to defend against malicious attacks were presented. The classification algorithms used in the work were analyzed and the techniques for features selection and handeling imbalanced data sets were presented. In the last part, information on the used data sets is presented and the settings and methodologies in the learning process are explained. The effectiveness of feature selection methods and sampling techniques was evaluated and their contribution to model improvement was analyzed. When classifying malicious attacks, the decision tree algorithm achieved the best results. In contrast, the Naive Bayes algorithm performed the worst. By using feature selection techniques, models achieve equal or better performance by reducing the number of features. The SFS wrapper is one of the techniques that stands out for its contribution to model improvement. By reducing the imbalance ratio of data sets, performance increases using the random oversampling technique.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:200:721961
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: prijediplomski
Akademski / stručni naziv: sveučilišni/a prvostupnik/prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ. bacc. ing. comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2024-10-14 08:09:04