| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Mašīnmācīšanās pielietojums tīkla datplūsmas analīzē un anomāliju noteikšanā |
| Nosaukums angļu valodā |
Application of Machine Learning in Network Traffic Analysis and Anomaly Detection |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Ints Meijers |
| Recenzents |
Jānis Bicāns |
| Anotācija |
Bakalaura darbā tiek pētīta mašīnmācīšanās metožu pielietošana tīkla datplūsmas analīzē un anomāliju noteikšanā. Darbā apskatīti divi algoritmi: KOAD (Kernel-based Online Anomaly Detection) un GMM (Gaussian Mixture Model), kuri pārstāv dažādas pieejas anomāliju noteikšanai tīkla datos. Tiek veikta datu apstrāde un atlase, izmantojot CICIDS2017 datu kopu, kur iekļauti dažādi uzbrukumu veidi, piemēram, DDoS, PortScan, WebAttack u.c. KOAD algoritms ir pielāgots tiešsaistes darbībai un izmanto dinamisku vārdnīcu, bet GMM ir statistisks klasterizācijas algoritms. Salīdzinot abu algoritmu rezultātus, tiek novērtēta to spēja noteikt anomālijas atkarība no izvēlētajiem hiperparametriem. Darba gaitā iegūtie rezultāti parāda, ka mašīnmācīšanās metodes var efektīvi papildināt tradicionālos tīkla drošības risinājumus, it īpaši gadījumos, kad nepieciešama ātra un adaptīva reaģēšana un nezināmiem draudiem. |
| Atslēgas vārdi |
MAŠĪNMĀCĪŠANĀS, TĪKLA DROŠĪBA, ANOMĀLIJU NOTEIKŠANA, KOAD, GMM, CICIDS2017 |
| Atslēgas vārdi angļu valodā |
MACHINE LEARNING, NETWORK SECURITY, ANOMALY DETECTION, KOAD, GMM, CICIDS2017 |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
27.05.2025 23:11:28 |
