Įsibrovimo aptikimas taikant mašininio mokymo metodus
Goranin, Nikolaj | Recenzentas / Rewiewer |
Baigiamajame magistro darbe nagrinėjamas mašininio mokymo algoritmų efektyvumas aptinkant įsibrovimus. Darbe yra aptariami jau atlikti tyrimai, jų pasiekti rezultatai. Paaiškinama, kas yra mašininis mokymasis ir kokie metodai yra taikomi apmokant modelius. Tyrimams atlikti buvo naudojamas „CICIDS2017” duomenų rinkinys. Baigiamajame darbe aprašoma, kaip duomenų rinkinys buvo surinktas ir apdorotas, kokius atributus jis turi ir kokia jų reikšmė. Pritaikius CNN algoritmą buvo tiriamas jo efektyvumas naudojant skirtingus duomenų rinkinio pasiskirstymo dydžius, analizuojama kaip epochų skaičius įtakoja metodo tikslumą ir pateikiami geriausi gauti rezultatai. Algoritmo patikrinimui buvo naudojamas kryžminis patikrinimas, o kiekvieno sluoksnio rezultatai fiksuojami. Siekiant ištirti algoritmo tikslumo priklausomybę nuo atributų kiekio buvo naudojama PCA analizė ir žvejo įvertis ir lyginami jų rezultatai.Darbą sudaro: įvadas, atakų atpažinimo sistemų tipai, tokių sistemų jų privalumai ir trūkumai, mašininio mokymosi metodai, duomenų rinkinio ir konvoliucinio neuroninio tinklo aprašymas, tyrimo rezultatai, išvados ir literatūros sąrašas.Darbo apimtis: 63 puslapiai teksto, 32 paveikslėliai, 26 lentelės ir 22 šaltiniai.
This final paper is about analysing the efficiency of machine learning algorithms in intrusion detection. This work discusses about other researches and their results. Moreover, machine learning and different learning methods are explained.The „CICIDS2017” dataset was used for the study. This final paper describes how the dataset was collected and processed, what attributes it consists of and their meaning. After applying the CNN algorithm, its efficiency was studied with different distribution sizes of the dataset, the number of epochs affecting the accuracy of the method was analysed and the best results were presented. Cross-validation was performed to verify the accuracy of the algorithm and the results were recorded for each fold. To study the dependency of the accuracy of the algorithm on the number of attributes, PCA analysis and Fisher score were used and their results were compared.Structure of this paper: introduction, types of attack detection systems, their advantages and disadvantages, machine learning methods, description of the dataset and convolutional neural network, research results, conclusion and references.The paper consists of: 63 pages of text, 32 figures, 26 tables and 22 sources.