Detekcija anomalija u podacima s ciljem otkrivanja sigurnosnih incidenata

diplomski rad

• Naslov (engleski): Data anomaly detection for discovering cybersecurity incidents
• Autor: Robert Travančić
• Mentor: Marin Vuković (mentor)
• Član povjerenstva: Marin Vuković (predsjednik povjerenstva)
• Član povjerenstva: Dragan Jevtić (član povjerenstva)
• Član povjerenstva: Miljenko Mikuc (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2024-02-27, Hrvatska

Sažetak

Detekcija anomalija aktivno je područje istraživanja s rastućom važnošću u modernom
digitalnom dobu. Primjena detekcije anomalija proteže se kroz različite aspekte svijeta oko
nas od financijskih sustava, medicine pa sve do industrije.

U radu su istraženi različiti pristupi detekciji anomalija s opisanim prednostima i
nedostatcima. Implementiran je sustav za detekciju anomalija zasnovan na algoritmu
Isolation Forest. Performanse modela su uspoređene s modelima zasnovanim na
algoritmima Local Outlier Factor i One-class Support Vector Machine na različitim
skupovima podataka. Rad opisuje izazove koji proizlaze iz korištenja algoritma Isolation
Forest te je predloženo potencijalno rješenje u obliku hibridnog modela koji koristi
algoritme Autoenkoder i Isolation Forest.

Sažetak (engleski)

Anomaly detection is an active area of research with growing importance in the modern
digital age. The application of anomaly detection extends across various aspects of the
world around us, from financial systems, medicine to various types of industries.

In this work, various approaches to anomaly detection are explored, with described
advantages and disadvantages. An anomaly detection system based on the Isolation Forest
algorithm has been implemented. The performance of the model was compared with
models based on the Local Outlier Factor and One-class Support Vector Machine
algorithms on different datasets. The work describes challenges arising from the use of the
Isolation Forest algorithm and proposes a potential solution in the form of a hybrid model
that uses Autoencoder and Isolation Forest algorithms.

• Ključne riječi: Detekcija anomalija; statističke metode; strojno učenje; duboko učenje; hibridne metode; algoritam Isolation Forest; algoritam Autoenkoder; algoritam Local Outlier Factor; algoritam One-class Support Vector Machine; optimizacija hiperparametara; Tree-Structured Parzen Estimator; F1-score; pristup EDIFA; skupovi podataka za detekciju anomalija
• Ključne riječi (engleski): Anomaly detection; statistical methods; machine learning; deep learning; hybrid methods; Isolation Forest algorithm; Autoencoder algorithm; Local Outlier Factor algorithm; One-class Support Vector Machine algorithm; hyperparameter optimization; Tree-Structured Parzen Estimator; F1-score; EDIFA hybrid model; Anomaly Detection Datasets
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:206797
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2024-03-28 07:56:09