Klasifikacija podataka za detekciju zlonamjernog prometa u informacijskim sustavima

undergraduate thesis

• Title (english): Data Classification Method for Detecting Malicious Traffic in Information Systems
• Author: Matej Čubek
• Mentor: Damir Pintar (mentor)
• Committee member: Damir Pintar (predsjednik povjerenstva)
• Committee member: Luka Humski (član povjerenstva)
• Committee member: Ana Šarčević (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2021-07-05, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Ovaj rad analizira potrebu računarske sigurnosti, potrebu kibernetičke sigur- nosti i problem zlonamjernih programa te njihov utjecaj na računalne sustave.
Analiziraju se i opisuju izvršne datoteke programa operacijskog sustava Microsoft Windows i njihovo PE zaglavlje koje sadrži razne vrijednosti od kojih neke uka- zuju na legitimnost, odnosno zlonamjernost programa. Rad zatim opisuje teoriju nekoliko izabranih algoritama nadziranog strojnog učenja, područja umjetne in- teligencije, a to su logistička regresija, stablo odluke, slučajna šuma i neuronske mreže. Koristeći metode Znanosti o podacima te pomoću izabranih algoritama, nad skupom podataka koji je preuzet s interneta i nad kojim je provedena eks- ploratorna analiza podataka te koji pripremljen za strojno učenje, grade se klasi- fikacijski modeli. Završni rad uspoređuje izgrađene modele i donosi zaključke.

Abstract (english)

This paper analyses the need for computer security, for cybersecurity and the effect of malware and malicious programs on computer systems. Executable files for Microsoft Windows operating systems are examined, specifically their PE headers which they all contain and which are used for identifying the legi- timacy of a program. Following that this paper examines the field of Artificial intelligence and describes select supervised learning machine learning algorithms, specifically Logistic regression algorithm, Decision tree algorithm, Random Forest algorithm and Neural networks. Using the field of Data science and the menti- oned algorithms this paper builds several classification models and trains them on a downloaded dataset which is explored and prepared for machine learning consumption. Finally, the built models are compared, and conclusions are given.

• Keywords: znanost o podacima; zlonamjerni programi; sigurnost; sigurnost računalnih sustava; kibernetička sigunost; PE zaglavlje; eksploratorna analiza; skup podataka; umjetna inteligencija; strojno učenje; logistička regresija; stablo odluke; slučajna šuma; klasifikacija; neuronske mreže
• Keywords (english): data science; malware; security; computer security; cybersecurity; PE header; exploratory data analysis; dataset; artificial intelligence; ai; machine learning; ml; logistic regression; decision tree; random forest; classification; neural networks
• Language: croatian
• URN:NBN: urn:nbn:hr:168:082544
• Study programme: Title: 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 resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2023-01-14 20:14:34