Primjena metoda strojnog učenja u domeni kibernetičke sigurnosti

master's thesis

• Title (english): Applying Machine Learning Methods in the Domain of Cyber Security
• Author: Domagoj Begušić
• Mentor: Damir Pintar (mentor)
• Committee member: Damir Pintar (predsjednik povjerenstva)
• Committee member: Mihaela Vranić (član povjerenstva)
• Committee member: Luka Humski (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2021-09-21, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Sustavi za obranu mreže od malicioznih paketa ili općenito pokušaja prodora rukovode s ogromnim količinama mrežnih podataka iz kojih se primjenom strojnog učenja može izvući znanje i prepoznati određene pravilnosti kako bi se obrana mreže automatizirala. Takvi podaci često nisu označeni ili ih je skupo označavati pa je potrebno pronaći model ili skupinu modela s obzirom na prirodu samog problema. Primjenom programskog okruženja Python i određenih modula za strojno učenje, obradu i vizualizaciju podataka razvijen je sustav za automatsko grupiranje, detekciju anomalija i klasifikaciju mrežnih podataka u svrhu odjeljivanja primjera koje mreža treba propustiti i onih koje ne smije. Objašnjena je cijela faza predobrade i eksploratorne analize podataka te svih korištenih modela. Mjere za vrednovanje modela opisane su i primijenjene na izrađene modele te su rezultati komentirani.

Abstract (english)

Network security systems while defending network from malicious packets or attempted intrusions manage huge amounts of network data from which knowledge and certain patterns can be recognized by applying machine learning methods in order to automate network defense. Such data are often unlabeled or expensive to label, so it is necessary to find a model or group of models given the nature of the problem itself. Using the Python software environment and certain modules for machine learning, data processing and visualization, a system for automatic grouping, anomaly detection and classification of network data has been developed in order to separate examples that need to be pass through network and those that should not be. The whole phase of pre-processing and exploratory data analysis and all used models are explained. Measures for model evaluation are described and applied to the developed models and finally the results are commented.

• Keywords: Kibernetička sigurnost; Strojno učenje; PCA; Analiza vremenskih nizova; Grupiranje; Detekcija anomalija; Matrica zabune
• Keywords (english): Cybersecurity; Machine Learning; PCA; Time Series Analysis; Clustering; Anomaly Detection; Confusion Matrix
• Language: croatian
• URN:NBN: urn:nbn:hr:168:644554
• Study programme: Title: Computing; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2023-01-13 09:45:24