Detection of Anomalies and Intrusions in a Computer Network by the Means of Artificial Intelligence Applied to NetFlow Data
Stefanovič, Pavel | Recenzentas / Rewiewer |
Olifer, Dmitrij | |
Janulevičius, Justinas | |
Mažeika, Dalius | |
Čenys, Antanas | |
Čeponis, Dainius |
Šis tyrimas buvo sutelktas į AI modelių taikymą „NetFlow” duomenims, siekiant aptikti anomalijas. Atlikdami tyrimą nustatėme, kad įvairių mašininio mokymosi algoritmų, skirtų „NetFlow” duomenų anomalijoms ir įsibrovimams aptikti, naudojimas literatūroje nebuvo plačiai nagrinėjamas. Tačiau išsami lyginamoji įvairių NetFlow duomenų klasifikavimo algoritmų analizė nebuvo tinkamai ištirta. Eksperimentinis dirbtinio intelekto metodų taikymo NetFlow duomenims vertinimas parodė, kad Random Forest yra geriausias algoritmas, atliekantis geriausią laiką ir numatymą. Kitas išskirtinis klasifikatorius buvo KNN. SVM ir Naive Bayes tikslumo lygis buvo geras, tačiau šių klasifikatorių gedimų tolerancija buvo žema. Blogiausiu klasifikatoriumi galima laikyti MLP dėl laiko veikimo. Tai parodė prasčiausius rezultatus treniruočių modelio metu. Atsitiktinio miško klasifikatoriaus parengtas visas duomenų rinkinys nėra greičiausias būdas. Verta paminėti, kad šį laiką galima sutrumpinti įdiegus lygiagrečio programavimo metodus ir naudojant kelis GPU.Darbą sudaro 6 dalys: Įvadas, susijusių darbų analizė, tyrimo metodo aprašymas, ML taikymo NetFlow duomenims eksperimentinis vertinimas, išvados, literatūros sąrašas.Darbo apimtis - 62 p. teksto be priedų, 15 paveikslų, 4 lentelės
This research focused on the application of AI models to NetFlow data for the detection of anomalies. Through our investigation, we found the investigation of the use of various machine learning algorithms for detecting anomalies and intrusions in NetFlow data has not been widely addressed in the literature. However, a comprehensive comparative analysis of various classification algorithms on NetFlow data has not been adequately explored. Experimental evaluation of applying AI methods to NetFlow data showed that Random Forest is the best algorithm by performing the best time performance, and prediction performance. Another outstanding classifier was KNN. SVM and Naïve Bayes had a good accuracy level however fault tolerance for these classifiers was low. The Worst classifier can be considered MLP due to time performance. It showed the worst results in training model time. Random forest classifier trained whole dataset is not the fastest way. It is worth noting that this time could potentially be reduced by implementing parallel programming techniques and utilizing multiple GPUs. Structure: Introduction, related work analysis, research method description, experimental evaluation of applying ML to NetFlow data, conclusion, references. The thesis consists of 62 p. of text without appendixes, 15 figures, 4 tables
Vilniaus Gedimino technikos universitetas / Vilnius Gediminas Technical University (111950243) |