Neteisėtų Microsoft Azure prisijungimų identifikavimas naudojant mašininį mokymąsi
Ušeckas, Domantas |
Čeponis, Dainius | Recenzentas / Rewiewer |
Darbo gynimo komisijos pirmininkas / Thesis Defence Board Chairman | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member |
Baigiamajame magistro darbe aptariama prisijungimo duomenų prie paskyros svarba bei galimos priemonės, siekiant apsaugoti naudotojų paskyras. Atliekama neteisėtų prisijungimų stebėjimo bei vertinimo analizė. Įvertinama mašininio mokymosi svarba atliekant neteisėtų prisijungimų prie paskyrų vertinimą, nustatomi mašininio mokymosi metodai bei jų aspektai, galintys padėti prognozuoti kenksmingus prisijungimus. Toliau yra atliekama žurnalinių įrašų analizė bei jų paruošimas mašininio mokymosi modeliams apmokyti. Išsiaiškinti galimi metodai aptikti prisijungimų anomalijoms aptikti bei pasirinktas šiai užduočiai tinkamiausias metodas. Mašininio mokymosi metu atliekamas žurnalinių įrašų duomenų klasterizavimas, klasifikavimas bei pateikiamas rezultatų palyginimas. Remiantis mašininio mokymosi metu gautais rezultatais buvo sukurtas taisyklėmis pagrįstas „Powershell” scenarijus (programa), kurio rezultatas yra lyginamas su „Microsoft” priimamais sprendimais dėl prisijungimų prie naudotojų paskyrų teisėtumo. Darbas susideda iš 6 dalių: įvadas, literatūros analizė, tyrimo metodai ir metodika, žurnalinių įrašų klasterizavimas bei klasifikavimas, išvados bei literatūros šaltinių sąrašas.Darbo apimtis - 80 p. teksto be priedų, 39 iliustr., 1 lent., 48 bibliografinių šaltinių.Atskirai pridedami darbo priedai.
The final Master's thesis discusses the importance of account credentials and possible measures to protect user accounts. An analysis of the monitoring and evaluation of illegal connections is carried out. The importance of machine learning in assessing unauthorized logins to accounts is assessed, machine learning methods and their aspects that can help predict malicious logins are identified. Next, log records are analyzed and prepared for training machine learning models. Possible methods for detecting connection anomalies were clarified and the most suitable method for this task was selected. During machine learning, data clustering and classification of journal entries are performed and comparison of results is presented. Based on the results obtained during machine learning, a rule-based ”Powershell” script was created, the result of which is compared with the decisions made by ”Microsoft” regarding the legitimacy of logins to user accounts.Thesis consists of 6 parts: introduction, literature analysis, research methods and methodology, clustering and classification of sign-in log entries, conclusions and list of literature sources.Thesis consists of: 80 p. text without appendixes, 39 pictures, 1 table, 48 bibliographical sources.Work attachments are included separately.Thesis consists of 6 parts: introduction, literature analysis, research methods and methodology, clustering and classification of sign-in log entries, conclusions and list of literature sources.Thesis consists of: 78 p. text without appendixes, 39 pictures, 1 table, 48 bibliographical sources.Work attachments are included separately.