Detekcija anomalija u zapisima s vatrozida temeljena na grafovima

diplomski rad

• Naslov (engleski): Anomaly detection in firewall logs represented as graphs
• Autor: Ajdin Trejić
• Mentor: Stjepan Groš (mentor)
• Član povjerenstva: Stjepan Groš (predsjednik povjerenstva)
• Član povjerenstva: Vlado Sruk (član povjerenstva)
• Član povjerenstva: Dejan Škvorc (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2024-02-23, Hrvatska

Sažetak

Ovaj diplomski rad istražuje metode detekcije malicioznih aktivnosti u računalnim mrežama kroz primjenu dubokih modela sa značajkama temeljenih na grafovima. Rad se fokusira na analizu zapisa s vatrozida i razvija naprednije metode detekcije korištenjem tehnika analize grafova. Istražuju se različiti modeli dubokog učenja, uključujući neuronske mreže, RNN, transformere i ResNet, te se primjenjuju na skupove podataka generirane putem Nmap skeniranja i penetracijskog testiranja. Rezultati pokazuju visoku točnost detekcije anomalija na Nmap skupovima podataka, ali lošije rezultate na skupovima podataka dobivenim penetracijskim testiranjem. Zaključak ističe potrebu za daljnjim istraživanjem robusni modela dubokog učenja i uključivanje raznolikih skupova podataka za poboljšanje sigurnosti mreže. Rad ukazuje na veliki potencijal modela dubokog učenja za detekciju mrežnih anomalija i poboljšanje sigurnosti mreže.

Sažetak (engleski)

This master's thesis explores methods for detecting malicious activities in computer networks through the application of deep models with graph-based features. The thesis focuses on the analysis of firewall records and develops detection methods using graph analysis techniques. Various deep learning models, including neural networks, RNN, transformers, and ResNet, are investigated and applied to datasets generated through Nmap scanning and penetration testing. The results demonstrate high accuracy in detecting anomalies in Nmap datasets, but lower performance on datasets obtained from penetration testing. The conclusion highlights the need for further research on resilient deep learning models and the inclusion of diverse datasets to enhance network security. The study emphasizes the significant potential of deep learning models for network anomaly detection and improving network security.

• Ključne riječi: Sigurnost računalnih mreža; Zapisi s vatrozida; Detekcija anomalija; Analiza grafova; Nmap; Penetracijsko testiranje; Duboko učenje; Neuronske mreže
• Ključne riječi (engleski): Network security; Firewall logs; Anomaly detection; Graph analysis; Nmap; Penetration testing; Deep Learning; Neural Networks
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:367389
• 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 07:56:20