prikaz prve stranice dokumenta Praćenje i analiza ponašanja korisnika
Rad nije dostupan
diplomski rad
Praćenje i analiza ponašanja korisnika
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. urn:nbn:hr:168:909218
Čutura, Fran
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Čutura, F. (2023). Praćenje i analiza ponašanja korisnika (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:909218

Čutura, Fran. "Praćenje i analiza ponašanja korisnika." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. https://urn.nsk.hr/urn:nbn:hr:168:909218

Čutura, Fran. "Praćenje i analiza ponašanja korisnika." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. https://urn.nsk.hr/urn:nbn:hr:168:909218

Čutura, F. (2023). 'Praćenje i analiza ponašanja korisnika', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 22.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:909218

Čutura F. Praćenje i analiza ponašanja korisnika [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2023 [pristupljeno 22.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:909218

F. Čutura, "Praćenje i analiza ponašanja korisnika", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:909218

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:909218
Podaci o radu
NaslovPraćenje i analiza ponašanja korisnika
Naslov (engleski)User behavior monitoring and analysis
AutorFran Čutura
MentorMarin Golub (mentor)
Član povjerenstvaMarin Golub (predsjednik povjerenstva)
Član povjerenstvaDomagoj Jakobović (član povjerenstva)
Član povjerenstvaStjepan Groš (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2023-07-06, Hrvatska
Sažetak
Ovaj diplomski rad nudi sveobuhvatan pristup otkrivanju unutarnjih prijetnji analizom ponašanja korisnika s pomoću tehnika strojnog učenja. Primarni je fokus na razvoju prediktivnih modela za otkrivanje prijetnji. U radu su primijenjena dva modela: "izolacijska šuma", jednostavan, ali učinkovit algoritam učenja bez nadzora, i složenija mreža dugoga kratkoročnog pamćenja (LSTM), vrsta rekurentne neuronske mreže poznata po svojoj učinkovitosti u rukovanju sekvencijalnim podatcima. Modeli su uvježbani i testirani na slobodno dostupnom skupu podataka. Rezultati upućuju na bolju izvedbu LSTM-a u točnom prepoznavanju nenormalnog ponašanja. Unatoč relativno zadovoljavajućoj izvedbi modela Isolation forest, LSTM ga je nadmašio, uglavnom zbog svoje sposobnosti da razumije vremensku prirodu ponašanja korisnika, što je ključan aspekt u analizi ponašanja korisnika. Ovaj rad pruža uvid u primjenjivost metoda strojnog učenja i dubokog učenja u analizi ponašanja korisnika i u otkrivanju unutarnjih prijetnji. Nalazi naglašavaju potencijal spomenutih tehnika u poboljšanju mjera kibernetičke sigurnosti organizacija.
Sažetak (engleski)
This thesis presents a comprehensive approach to detecting insider threats by analyzing user behavior using machine learning techniques. The primary focus is on developing predictive models for threat detection. Two models were used in this work: Isolation forest, a simple but effective unsupervised learning algorithm, and a more complex long-short-term memory (LSTM) network, a type of recurrent neural network known for its efficiency in handling sequential data. The models were trained and tested on a freely available data set. The results indicate a better performance of LSTM in the accurate recognition of abnormal behavior. Despite the relatively satisfactory performance of the Isolation Forest model, LSTM outperformed it, mainly due to LSTM's ability to understand the temporal nature of user behavior, which is a key aspect in user behavior analysis. This paper provides insight into the applicability of machine learning and deep learning methods in analyzing user behavior and detecting insider threats. The findings highlight the potential of these techniques to improve organizations' cybersecurity measures.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:909218
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2023-10-11 08:40:01