Моделі та методи інтелектуального аналізу даних для прогнозування мережевої активності
Вантажиться...
Дата
2026
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Магістерська дисертація: 80 с., 9 рис., 6 табл., 30 джерел, додаток.
Об’єктом дослідження є процес аналізу мережевого трафіку у задачах забезпечення кібербезпеки. Предметом дослідження є моделі та методи машинного навчання для прогнозування кіберзагроз. Метою роботи є створення програмної системи автоматизованого аналізу мережевого трафіку та класифікації потенційно небезпечних подій. У роботі досліджено сучасні методи виявлення кіберзагроз, виконано аналіз алгоритмів машинного навчання та проведено експериментальне дослідження набору даних NSL-KDD. Для оброблення інформації використано масштабування ознак, кодування категоріальних параметрів і балансування класів методом SMOTE. Практична частина роботи охоплює реалізацію програмної системи мовою Python із використанням бібліотек Scikit-learn, Pandas та Streamlit. У результаті тестування алгоритм Random Forest продемонстрував високі показники точності класифікації та низьку кількість помилкових спрацювань. Отримані результати підтверджують доцільність використання методів машинного навчання для аналізу мережевого трафіку у задачах кібербезпеки.
Опис
Ключові слова
кібербезпека, кіберзагрози, машинне навчання, random forest, nsl-kdd, аналіз мережевого трафіку, прогнозування атак, smote, steamlit, інтелектуальний аналіз даних, cybersecurity, cyber threats, machine learning, random forest, nsl-kdd, network traffic analysis, attack prediction, smote, streamlit, data mining
Бібліографічний опис
Шапошніков, В. В. Моделі та методи інтелектуального аналізу даних для прогнозування мережевої активності : магістерська дис. : 122 Комп'ютерні науки / Шапошніков Володимир Віталійович. – Київ, 2026. – 80 с.