| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Mašīnmācīšanās metožu izmantošana uzņēmuma datu analīzē un drošības uzlabošanā |
| Nosaukums angļu valodā |
Use of Machine Learning Methods in Analysis of Company Data and Improvement of Security |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Vladislavs Minkevičs |
| Recenzents |
Agnese Logina-Vilkaste |
| Anotācija |
Bakalaura darbā aplūkota mašīnmācīšanās metožu izmantošana uzņēmuma datu
analīzei un informācijas drošības uzlabošanai. Mūsdienu uzņēmumos tiek apstrādāti
lieli datu apjomi, kuru manuāla analīze ir laikietilpīga un neefektīva, savukārt
savlaicīga noviržu identificēšana sistēmas uzvedībā ir būtiska drošības risku
mazināšanai un uzņēmuma darbības nepārtrauktības nodrošināšanai. Darba mērķis ir
izstrādāt prototipu, kas, izmantojot neuzraudzītas mašīnmācīšanās metodes, modelē
normālu sistēmas uzvedību un identificē novirzes no tās, vienlaikus nodrošinot
rezultātu
vizuālu attēlojumu. Pētījuma ietvaros analizētas mašīnmācīšanās
pielietošanas iespējas informācijas drošības jomā, izvēlēta un sagatavota publiski
pieejama kiberdrošības žurnālu datu kopa, kā arī realizēts prototips ar Isolation Forest
anomāliju noteikšanas algoritmu. Drošības marķējums threat_label netika izmantots
modeļa apmācībā, bet tikai rezultātu validācijai. Prototipa rezultāti tika salīdzināti ar
saistītiem publicētiem pētījumiem tīkla anomāliju noteikšanas jomā. Darba rezultātā
izstrādāts funkcionējošs prototips, kas demonstrē uzvedības balstītas anomāliju
noteikšanas pieejas pielietojamību uzņēmuma datu analīzē. Iegūtie rezultāti (AUC =
0,5186; Average Precision = 0,0886; Precision ≈ 0,119; Recall ≈ 0,029; F1 ≈ 0,047)
parāda, ka automatizēta noviržu identificēšana var kalpot kā papildinošs instruments
esošajām drošības sistēmām.
Darba apjoms: 59 lpp., 2 tabulas, 5 attēli, 2 pielikumi. |
| Atslēgas vārdi |
Mašīnmācīšanās, datu analīze, informācijas drošība, anomāliju noteikšana, žurnālfailu analīze, Isolation Forest |
| Atslēgas vārdi angļu valodā |
Machine learning, data analysis, information security, anomaly detection, log file analysis, Isolation Forest |
| Valoda |
lv |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
26.05.2026 20:56:27 |
