Моделі та методи інтелектуального аналізу даних для прогнозування мережевої активності

Скорочена інформація про документ
dc.contributor.advisorГуськова, Віра Геннадіївна
dc.contributor.authorШапошніков, Володимир Віталійович
dc.date.accessioned2026-09-09T09:49:13Z
dc.date.available2026-09-09T09:49:13Z
dc.date.issued2026
dc.description.abstractМагістерська 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.
dc.description.abstractotherMaster’s thesis: 80 pages, 9 figures, 6 tables, 30 references, appendix. The object of research is the process of network traffic analysis in cybersecurity systems. The subject of research is machine learning models and methods for cyber threat prediction. The aim of the work is to develop a software system for automated network traffic analysis and classification of potentially dangerous events. The thesis examines modern approaches to cyber threat detection, analyzes machine learning algorithms, and performs an experimental study using the NSL-KDD dataset. Data preprocessing included feature scaling, categorical parameter encoding, and class balancing with the SMOTE method. The practical part of the work involves the implementation of a software system in Python using the Scikit-learn, Pandas, and Streamlit libraries. During testing, the Random Forest algorithm demonstrated high classification accuracy and a low number of false detections. The obtained results confirm the effectiveness of machine learning methods for network traffic analysis in cybersecurity tasks.
dc.format.extent80 с.
dc.identifier.citationШапошніков, 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.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/82908
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectкібербезпека
dc.subjectкіберзагрози
dc.subjectмашинне навчання
dc.subjectrandom forest
dc.subjectnsl-kdd
dc.subjectаналіз мережевого трафіку
dc.subjectпрогнозування атак
dc.subjectsmote
dc.subjectsteamlit
dc.subjectінтелектуальний аналіз даних
dc.subjectcybersecurity
dc.subjectcyber threats
dc.subjectmachine learning
dc.subjectrandom forest
dc.subjectnsl-kdd
dc.subjectnetwork traffic analysis
dc.subjectattack prediction
dc.subjectsmote
dc.subjectstreamlit
dc.subjectdata mining
dc.subject.udc004.7.056:004.89
dc.titleМоделі та методи інтелектуального аналізу даних для прогнозування мережевої активності
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Shaposhnikov_magistr.pdf
Розмір:
2.51 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

Магістерські роботи (ШІ)
Магістерські роботи