Razvoj prediktivnog algoritma za klasifikaciju mrežnog prometa

undergraduate thesis

• Title (english): Predictive Algorithm Development for Classification of Network Traffic
• Author: Iva Bokšić
• 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: 2021-07-09, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Napadi na komunikacijsku mrežu predstavljaju problem ostvarenja sigurnosti podataka. Detekcija napada i provođenje ispravnih postupaka za njegovo otklanjanje jedan su od glavnih načina borbe protiv napada. Tema napisanog rada je analiza podataka koji predstavljaju promet mreže i gradnja klasifikatora koji bi prepoznavali razrede napada. Analizom podataka ustanovljena je neravnomjerna rasprostranjenost podataka između razreda. Naduzorkovanjem pa poduzorkovanjem je uklonjen taj problem te su ponovljeni algoritmi klasifikacije. Pokazalo se da su se rezultati klasifikatora poboljšali. Modeli s najboljim rezultatima su ekstremno pojačavanje gradijenta i stroj potpornih vektora. Klasifikatori su postizali točnost od 49\% do 79\%. Model koji je imao najlošiju točnost prije naduzorkovanja i poduzorkovanja, ali kojem se i točnost povećala za 15\% je naivni Bayesov klasifikator.

Abstract (english)

Attacks on the communication network are a problem of data security. Detecting
an attack and carrying out the correct procedures to eliminate it are one of the main
ways to fight an attack. The topic of this paper is the analysis of data representing
network traffic and the construction of classifiers that would identify attack classes.
Data analysis revealed an uneven distribution of data between classes. Oversampling
and then undersampling over data removed this problem and the classification algorithms
were repeated. Classifier results have been shown to improve. Model with
best results are Extreme gradient boosting and Support vector machines. Classifiers
achieved accuracy from 49% to 79%. The model that had the worst accuracy before
oversampling and undersampling, but whose accuracy also increased by 15% is Naive
Bayes classifier.

• Keywords: mrežni promet; napad na mrežu; klasifikator; strojno učenje; analiza podataka
• Keywords (english): network traffic; network attack; classifier; machine learning; data analysis
• Language: croatian
• URN:NBN: urn:nbn:hr:168:581990
• 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 20:07:17