| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava
Prva stran > Izpis gradiva

Izpis gradiva Pomoč

Naslov:Drevesa za napovedno razvrščanje v kibernetski varnosti : diplomsko delo visokošolskega študijskega programa Informacijska varnost
Avtorji:ID Uršič, Črt (Avtor)
ID Mihelič, Anže (Mentor) Več o mentorju... Novo okno
Datoteke:.pdf VS_Ursic_Crt_2024.pdf (1,95 MB)
MD5: 72A53C3966E3DA712B26E0AF3B035C43
 
Jezik:Slovenski jezik
Vrsta gradiva:Diplomsko delo/naloga
Tipologija:2.11 - Diplomsko delo
Organizacija:FVV - Fakulteta za varnostne vede
Opis:Glavni cilj raziskave je oceniti, kako učinkovito lahko algoritem dreves za napovedno razvrščanje identificira in klasificira različne vrste kibernetskih napadov. Strojno učenje, ki je osrednji del sodobnih IT-okolij, vključno s sistemi za zaznavanje in preprečevanje napadov, se nenehno razvija in izboljšuje. V tem kontekstu smo izbrali algoritem dreves za napovedno razvrščanje (PCT) zaradi njegove predhodne uspešnosti v večrazrednih klasifikacijskih nalogah. Za primerjavo učinkovitosti PCT smo vzpostavili konkurenčno skupino enajstih drugih algoritmov, katerih rezultati služijo kot referenčna osnova za oceno. Da bi zagotovili natančnost in relevantnost rezultatov, smo razvili lastno metodologijo priprave podatkov in modelov. Prvi korak naših meritev je zajemal odstranjevanje neveljavnih in manjkajočih vrednosti v podatkovni zbirki. Nadaljevali smo z določanjem optimalnega števila lastnosti, izbirali smo samo tiste, ki imajo ključen vpliv na končni izid. V zaključni fazi smo nastavili parametre algoritmov in njihove vrednosti, ki smo jih optimizirali z uporabo mrežnega iskanja. Vse te strategije so omogočile zmanjšanje potrebnih računalniških virov, skrajšale čas učenja in procesiranja podatkov ter izboljšale končne rezultate. Ta pristop nam omogoča boljši vpogled v dejansko učinkovitost algoritmov. Rezultati naše študije kažejo, da čeprav izbrani algoritem PCT ni izstopal kot najboljši med primerjanimi algoritmi, kaže obetaven potencial za nadaljnje raziskave in praktično uporabo v sektorju kibernetske varnosti. Diplomsko delo tako ne le opredeljuje učinkovitost PCT, ampak tudi predlaga možne smeri za nadaljnji razvoj in izboljšave v tehnologijah zaznavanja kibernetskih groženj.
Ključne besede:drevesa za napovedno razvrščanje, kibernetska varnost, strojno učenje, diplomske naloge
Kraj izida:Ljubljana
Kraj izvedbe:Ljubljana
Založnik:Č. Uršič
Leto izida:2024
Leto izvedbe:2024
Št. strani:IX f., [49] str.
PID:20.500.12556/DKUM-89406 Novo okno
UDK:004.056(043.2)
COBISS.SI-ID:203474947 Novo okno
Datum objave v DKUM:02.08.2024
Število ogledov:100
Število prenosov:34
Metapodatki:XML DC-XML DC-RDF
Področja:FVV
:
URŠIČ, Črt, 2024, Drevesa za napovedno razvrščanje v kibernetski varnosti : diplomsko delo visokošolskega študijskega programa Informacijska varnost [na spletu]. Diplomsko delo. Ljubljana : Č. Uršič. [Dostopano 6 april 2025]. Pridobljeno s: https://dk.um.si/IzpisGradiva.php?lang=slv&id=89406
Kopiraj citat
  
Skupna ocena:
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:Bookmark and Share



Podobna dela iz ostalih repozitorijev:

Ni podobnih del

Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.
Začetek licenciranja:08.07.2024

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Predictive clustering trees in cybersecurity
Opis:The main goal of the study is to assess how effectively a predictive clustering tree algorithm can identify and classify different types of cyber attacks. Machine learning, which is a central part of modern IT environments, including systems for detecting and preventing attacks, is continually evolving and improving. In this context, we selected the predictive clustering tree (PCT) algorithm because of its prior success in multi-class classification tasks. To compare the effectiveness of the PCT, we established a competitive group of eleven other algorithms, whose results serve as a reference basis for assessment. To ensure the accuracy and relevance of the results, we developed our own methodology for preparing data and models. The first step in our measurements involved removing invalid and missing values from the data set. We then proceeded to determine the optimal number of features, selecting only those that have a key impact on the final outcome. In the final phase, we set the parameters of the algorithms and their values, which we optimized using grid search. All these strategies enabled the reduction of required computing resources, shortened the learning and data processing time, and improved the final results. This approach allows us a better insight into the actual effectiveness of the algorithms. The results of our study show that although the selected PCT algorithm did not stand out as the best among the compared algorithms, it shows promising potential for further research and practical application in the cyber security sector. The thesis not only defines the effectiveness of PCT but also suggests possible directions for further development and improvements in cyber threat detection technologies.
Ključne besede:predictive clustering trees, cybersecurity, machine learning


Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici