Інтелектуальна система виявлення аномалій у мережевому трафіку

Скорочена інформація про документ
dc.contributor.advisorТимошенко, Юрій Олександрович
dc.contributor.authorКамінська, Вікторія Ярославівна
dc.date.accessioned2026-09-09T11:51:56Z
dc.date.available2026-09-09T11:51:56Z
dc.date.issued2026
dc.description.abstractДипломна робота: 110 с., 7 рис., 11 табл., 20 джерел, 1 додаток. Об’єкт дослідження - виявлення аномалій у мережевому трафіку. Предмет - методи й архітектурні рішення для систем виявлення аномалій на основі ансамблевого машинного навчання. Мета - розробити прототип інтелектуальної системи виявлення мережевих атак у реальному часі з мінімальним рівнем хибнопозитивних спрацювань. Методи - машинне й глибоке навчання (Isolation Forest, автоенкодер, LSTM), ансамблеве навчання, інженерія ознак, метод SHAP, мікросервісне проектування. Результати. Реалізовано ансамблеву систему з детекторів Isolation Forest, автоенкодера та LSTM з оптимізацією ваг методом Nelder-Mead. На датасеті CICIDS2018 (2 млн записів) досягнуто F1 = 0.881, Precision = 0.981, AUC-ROC = 0.946 за FPR = 1,0%; пропускна здатність - 84 700 потоків/с на серверному CPU без GPU. Наукова новизна - ансамблева архітектура з трьох детекторів різної природи; удосконалене навчання LSTM із Focal Loss; стратифіковане розбиття датасету, що виключає витік інформації. Рекомендації щодо використання. Систему доцільно застосовувати як компонент SIEM-платформ і центрів моніторингу безпеки (SOC); інтеграція через REST API та формат STIX 2.1.
dc.description.abstractotherThesis: 110 p., 7 fig., 11 tables, 20 references, 1 appendix. Object of research - anomaly detection in network traffic. Subject - methods and architectural solutions for anomaly detection systems based on ensemble machine learning. Aim - to develop a prototype of an intelligent system for real-time network attack detection with a minimal false positive rate. Methods - machine and deep learning (Isolation Forest, autoencoder, LSTM), ensemble learning, feature engineering, the SHAP method, and microservice design. Results. An ensemble system of Isolation Forest, autoencoder and LSTM detectors with Nelder-Mead weight optimization was implemented. On the CICIDS2018 dataset (2 million records) it achieved F1 = 0.881, Precision = 0.981 and AUC-ROC = 0.946 at FPR = 1.0%; throughput is 84,700 flows/s on a server CPU without a GPU. Scientific novelty - an ensemble architecture of three detectors of different nature; an improved LSTM training scheme with Focal Loss; stratified dataset splitting that eliminates data leakage. Application recommendations. The system is suited for use as a component of SIEM platforms and security operations centres (SOC), integrating with existing infrastructure via a REST API and the STIX 2.1 format.
dc.format.extent110 с.
dc.identifier.citationКамінська, В. Я. Інтелектуальна система виявлення аномалій у мережевому трафіку : дипломна робота … бакалавра : 122 Комп'ютерні науки / Камінська Вікторія Ярославівна. – Київ, 2026. – 110 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/82923
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectвиявлення аномалій
dc.subjectмережевий трафік
dc.subjectансамблеве машинне навчання
dc.subjectisolation forest
dc.subjectавтоенкодер
dc.subjectlstm
dc.subjectкібербезпека
dc.subjectcicids2018
dc.subjectshap
dc.subjectanomaly detection
dc.subjectnetwork traffic
dc.subjectensemble machine learning
dc.subjectautoencoder
dc.subjectcybersecurity
dc.titleІнтелектуальна система виявлення аномалій у мережевому трафіку
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Kaminska_bakalavr.pdf
Розмір:
1.68 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ШІ)
Бакалаврські роботи