Застосування методiв штучного iнтелекту для виявлення аномалiй у мережевих даних

Скорочена інформація про документ
dc.contributor.advisorЯйлимова, Ганна Олексіївна
dc.contributor.authorОнищенко, Євгенiй Олександрович
dc.date.accessioned2026-06-10T09:39:26Z
dc.date.available2026-06-10T09:39:26Z
dc.date.issued2026
dc.description.abstractКвалiфiкацiйна робота мiстить: 59 сторiнок, 4 рисункiв, 15 таблиць, 10 джерел. Метою даної роботи є розробка та експериментальне дослiдження гiбридного методу, побудованого на основi методiв глибокого та машинного навчання, для виявлення аномалiй серед мережевого трафiку. Об’єктом дослiдження є процес аналiзу мережевого трафiку в системах виявлення вторгнень. Предметом дослiдження є математичнi моделi та алгоритми машинного i глибокого навчання, що використовуються для виявлення аномалiй у мережевих даних. У роботi проаналiзовано сучаснi ML/DL-пiдходи виявлення мережевих вторгнень та видiлено ключовi проблеми цiєї задачi: дисбаланс класiв, високу розмiрнiсть i зашумленiсть ознак. Запропоновано гiбридний пiдхiд, де Stacked Autoencoder формує простiр нелiнiйних латентних ознак, а XGBoost виконує класифiкацiю на основi об’єднаного простору початкових та латентних характеристик. Експериментальне дослiдження виконано на датасетi CIC-IDS2017. Найкращi результати отримала модель SAE-24-Augmented-XGBoost, показавши вищу повноту виявлення аномального трафiку та меншу кiлькiсть пропущених атак порiвняно з базовим XGBoost.
dc.description.abstractotherThe qualification thesis contains: 59 pages, 4 figures, 15 tables, 10 references. The purpose of this qualification work is to develop and experimentally investigate a hybrid network intrusion detection method based on the combination of deep learning and machine learning techniques for anomalous network traffic classification. The object of the study is the process of network traffic analysis in intrusion detection systems. The subject of the study is mathematical models and algorithms of machine learning and deep learning applied to anomaly detection in network data. The paper analyzes modern ML/DL approaches to network intrusion detection and outlines the key challenges of this task: class imbalance, high feature dimensionality, and data noise. A hybrid approach is proposed in which a Stacked Autoencoder forms additional nonlinear latent features, while XGBoost performs classification in the combined space of original and latent characteristics. The experimental study was conducted on the CIC-IDS2017 dataset. The SAE-24-Augmented-XGBoost model showed the best practical results, providing higher anomaly detection recall and fewer missed attacks than the baseline XGBoost model.
dc.format.extent61 с.
dc.identifier.citationОнищенко, Є. О. Застосування методiв штучного iнтелекту для виявлення аномалiй у мережевих даних : дипломна робота ... бакалавра : 113 Прикладна математика / Онищенко Євгенiй Олександрович. – Київ, 2026. – 61 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/81594
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectмережева безпека
dc.subjectсистеми виявлення вторгнень
dc.subjectnids
dc.subjectмашинне навчання
dc.subjectглибоке навчання
dc.subjectautoencoder
dc.subjectxgboost
dc.subjectcic-ids2017
dc.titleЗастосування методiв штучного iнтелекту для виявлення аномалiй у мережевих даних
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Onyshchenko_bakalavr.pdf
Розмір:
705.09 KB
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 (ММАД)
Бакалаврські роботи