| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Neironu tīkla izstrāde labākai anomāliju noteikšanai DevSecOps vidē. |
| Nosaukums angļu valodā |
Developing a Neural Network for Better Anomaly Detection in DevSecOps. |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Imants Gorbāns |
| Recenzents |
Ints Meijers |
| Anotācija |
Programmatūras izstrādei paātrinoties, efektīvas drošības iekļaušana DevOps ciklā ir būtiska. Tradicionālās DevOps pieejas bieži vien samazina drošības
bažas, radot potenciālu neaizsargātību izstrādes fāzēs. Šis bakalaura darbs piedāvā jaunu mašīnmācīšanās metodi anomāliju noteikšanai, kas efektīvi uzlabo
drošības pasākumus. Šīs metodes kodols ir konvolucionāls hierarhiskā slāņa normalizēts neironu tīkls (CHL-3N), kas ir pielāgots neierastu modeļu atpazīšanai
tīkla satiksmē programmatūras izstrādes dzīves cikla laikā. Šis modelis izmanto hierarhisko slāņu normalizācija, lai precīzi atšķirtu normālas un nenormālas
darbības, uztverot sarežģītas mijiedarbības starp dažādiem datu slāņiem dziļākai drošības izpratnei. Rezultāti demonstrē, ka CHL-3N pārsniedz tradicionālās metodes,
sasniedzot augstu precizitāti, atsauci un f-mērījumus dažādās datu kopās. Tas arī izrāda zemāku atmiņas patēriņu, padarot to piemērotu resursu ierobežotām, liela mēroga vidēm un nodrošinot mērogojamu drošības risinājumu DevSecOps. |
| Atslēgas vārdi |
DevOps, tīkla datplūsmas uzraudzība, mašīnmācīšanās |
| Atslēgas vārdi angļu valodā |
DevOps, network traffic monitoring, machine learning |
| Valoda |
eng |
| Gads |
2024 |
| Darba augšupielādes datums un laiks |
02.01.2025 04:43:42 |
