| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Biznesa informātika |
| Nosaukums |
Domēna ģenerēšanas algoritmu noteikšana un analīze ļaunprogrammatūrā, izmantojot dziļās mācīšanās |
| Nosaukums angļu valodā |
Detection and Analysis of Domain Generation Algorithms in Malware Using Deep Learning |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Antons Patļins |
| Recenzents |
Ērika Nazaruka |
| Anotācija |
Pētījums attīsta DGA domēnu padziļinātu noteikšanu, izmantojot LSTM tehniku.
Efektīva modeļa izveide ir galvenais pētījuma mērķis, lai binārajā klasifikācijā noteiktu
starp ļaunprātīgiem un labdabīgiem DGA domēniem, veicot vairāku ģimeņu
klasifikāciju. Ierosinātais LSTM modelis patērē lielu datu kopu, kurā ir miljoniem
domēna nosaukumu, un veic testēšanu, izmantojot atsevišķu datu kopu. Modeļa
optimizācija izdodas, izmantojot Adam optimizētāju, apstrādājot vairāku klašu
klasifikācijas datus, savukārt bināro klasifikācijas datu apstrādei tiek izmantota
kategoriska krustentropija.
Eksperimenta rezultāti parāda, ka piedāvātais LSTM modelis sasniedz izcilus
rezultātus attiecībā uz tā precizitāti un precizitāti, kā arī atsaukšanu un F1 punktu skaitu
gan vairāku klašu, gan binārajā klasifikācijā. Modelis demonstrē spēcīgu spēju atšķirt
pozitīvos un negatīvos piemērus, pamatojoties uz ROC līknēm, un tas veiksmīgi
identificē ļaunprātīgos DGA domēnus ar augstu precizitāti un atsauc, izmantojot
neskaidrības matricas.
Pētījuma pierādījumi liecina, ka dziļās mācīšanās metodes ar LSTM modeļiem ir
ļoti veiksmīgas DGA domēnu noteikšanā, vienlaikus veicot bināros un vairāku klašu
noteikšanas uzdevumus. Kaitīgo domēnu identificēšanas panākumi sniedz ievērojamas
priekšrocības kiberdrošības sistēmām, kurām ir jāidentificē kaitīgi domēni un
jāaizsargā pret tiem, lai izvairītos no drošības pārkāpumiem.
Maģistra darbs sastāv no 86 lappusēm; tajā ir 34 attēli, 15 tabulas, divi pielikumi
un 39 atsauces. |
| Atslēgas vārdi |
DZIĻĀ MĀCĪŠANĀS, DGA DOMĒNI, LSTM MODELIS, BINĀRĀ KLASIFIKĀCIJA, KIBERDROŠĪBA |
| Atslēgas vārdi angļu valodā |
DEEP-LEARNING, DGA DOMAINS, LSTM MODEL, BINARY CLASSIFICATION, CYBER SECURITY |
| Valoda |
lv |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
04.01.2026 21:12:33 |
