Модель машинного навчання для виявлення зловмисної активності в журналах подій

Скорочена інформація про документ
dc.contributor.advisorБарановський, Олексій Миколайович
dc.contributor.authorДрига, Артем Вадимович
dc.date.accessioned2026-09-15T12:04:25Z
dc.date.available2026-09-15T12:04:25Z
dc.date.issued2025
dc.description.abstractМагістерська дисертація містить 86 сторінок, що складаються із 4-ох розділів, 7 ілюстрацій, та 30 посилань на джерела інформації. Актуальність роботи: в умовах еволюції кіберзагроз та масового переходу зловмисників до використання продвинутих тактик, особливої уваги набуває питання неефективності класичних засобів захисту та реагування на інциденти по факту сповіщення про них. Традиційні інструменти, такі як IDS/IPS, часто не здатні виявити нові атаки, які не містять в собі відомих сигнатур. З огляду на це, потребується створення підходу реалізації моделей машинного навчання та тестування ефективності статистичних методів машинного навчання для виявлення аномалій у системних журналах. Це дозволить не лише розкрити сліпи зони традиційного моніторингу, а й допомогти в процесі проактивного пошуку загроз. Зв’язок роботи з науковими програмами, планами, темами: магістерська дисертація виконується у межах науково-дослідних тем кафедри інформаційної безпеки НН ФТІ «КПІ ім. Ігоря Сікорського», зокрема в напрямі «Застосування машинного навчання у системах виявлення аномальної поведінки користувачів, поведінкового аналізу програмного коду, тощо». Також обрана тема відповідає державній науково-технічній програмі розвитку сфери кібербезпеки в Україні. Роль автора полягає у розробці підходу до створення моделей машинного навчання на основі Elastic Stack для використання у середніх та великих компаніях. Мета дослідження: розробка та оцінка ефективності гібридного підходу, що поєднує детерміновані правила виявлення та методи машинного навчання, для автоматизованого виявлення зловмисної активності у журналах подій інформаційних систем. Об’єкт дослідження: процес виявлення аномалій та аналізу подій інформаційної безпеки в журналах подій операційної системи Linux та вебсерверу. Предмет дослідження: методи та моделі машинного навчання для виявлення аномальної поведінки окремих користувачів та процесів. Наукова новизна одержаних результатів полягає у розробці гібридного підходу до детекції кіберзагроз, який поєднує детермінований аналіз на основі кореляційних правил з методами машинного навчання для виявлення аномалій у поведінці об’єктів.
dc.description.abstractotherThe master’s thesis contains 86 pages, consisting of 4 chapters, 7 illustrations, and 30 references to sources of information. Relevance of the study: in the context of the evolution of cyber threats and the mass transition of attackers to the use of advanced tactics, the issue of the inefficiency of classic protection means and incident response based on alerts becomes particularly pressing. Traditional tools, such as IDS/IPS, are often unable to detect new attacks that do not contain known signatures. Given this, there is a need to create an approach for implementing machine learning models and testing the effectiveness of statistical machine learning methods for detecting anomalies in system logs. This will not only uncover the blind spots of traditional monitoring but also assist in the process of proactive threat hunting. Connection with scientific programs, plans, and topics: this master’s thesis was conducted within the framework of research projects of the academic department of Information Security in IPT, «Igor Sikorsky KPI», specifically in the direction «Application of machine learning in systems for detecting anomalous user behavior, behavioral analysis of program code, etc.». The selected topic also aligns with the state scientific and technical program for the advancement of cybersecurity in Ukraine. The author’s contribution consists in developing an approach to creating machine learning models based on the Elastic Stack for use in medium and large companies. Purpose of the research: development and evaluation of the effectiveness of a hybrid approach that combines deterministic detection rules and machine learning methods for the automated detection of malicious activity in information system event logs
dc.format.extent86 с.
dc.identifier.citationДрига, А. В. Модель машинного навчання для виявлення зловмисної активності в журналах подій : магістерська дис. : 125 Кібербезпека / Дрига Артем Вадимович. – Київ, 2025. – 86 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/83086
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectмашинне навчання
dc.subjectElastic Stack
dc.subjectвиявлення аномалій
dc.subjectвебшелл
dc.subjectSIEM
dc.titleМодель машинного навчання для виявлення зловмисної активності в журналах подій
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Dryga_magist.pdf
Розмір:
1.49 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 (ІБ)
Магістерські роботи