dc.contributor.author | Kollerov, Dmitrij | |
dc.date.accessioned | 2023-09-18T09:11:39Z | |
dc.date.available | 2023-09-18T09:11:39Z | |
dc.identifier.uri | https://etalpykla.vilniustech.lt/handle/123456789/110967 | |
dc.description.abstract | Darbe nagrinėjami DoS/DDoS atakų tipai, pateikiama esančių rinkoje įsilaužimų aptikimo sistemų apžvalga, pateikiami šių sistemų privalumai ir trūkumai. Atliekama daugiasluoksnio perceptrono, spindulinių bazinių funkcijų, Hopfildo tinklo, dvikryptės asociatyviosios atminties modelių analizė, nagrinėjama jų struktūra ir veikimo principai. Siūlomas DDoS atakų aptikimo metodas neuroniniu tinklu. Aprašomas neuroninio tinklo mokymo procesas, įėjimo vektorių formavimas, remiantis KDD Cup 1999 duomenų rinkinio duomenimis. Sukuriami daugiasluoksnio perceptrono ir spindulinių bazinių funkcijų neuroniniai tinklai, aptinkantys DDoS atakas. Atliekami šių neuroninių tinklų skirtingų konfigūracijų tyrimai ir pateikiami DDoS atakų aptikimo efektyvumo rezultatai. Darbą sudaro 7 dalys: įvadas, DDoS atakos, neuroniniai tinklai, DDoS atakų aptikimas naudojant neuroninius tinklus, siūlomas DDoS atakų aptikimo metodo prototipas, išvados, literatūros sąrašas. Darbo apimtis – 74 psl. teksto be priedų, 30 iliustracijų, 19 lentelių, 41 literatūros šaltinis. Atskirai pridedami darbo priedai. | lit |
dc.description.abstract | The paper analyzes types of DoS/DDoS attacks, presents a review of the intrusion detection systems currently existing in the market, as well as discusses the pros and cons of these systems. The analysis of multilayer perceptron, radial basis functions, Hopfield network, bidirectional associative memory models is carried out, their structure and operating principles are considered. The suggested method for the detection of attacks is the neural network method. The neural network learning process and the formation of input vectors are described based on the KDD Cup 1999 data set. For the detection of DDoS attacks, multilayer perceptron and radial basis functions neural networks are developed. Analysis of different configurations of the aforementioned neural networks is carried out, and the results of their effectiveness for the detection of DDoS attacks are presented. The paper consists of 7 parts: introduction, DDoS attacks, neural networks, the detection of the DDoS attacks by the neural network method, the suggested prototype of the DDoS attacks detection method, conclusions and references. The thesis consists of 74 pages of text (annexes excluded), 30 illustrations, 19 tables, 41 references. The annexes are attached separately. | eng |
dc.format | PDF | |
dc.format.extent | 91 p. | |
dc.format.medium | tekstas / txt | |
dc.language.iso | lit | |
dc.rights | Prieinamas tik institucijos intranete | |
dc.source.uri | https://talpykla.elaba.lt/elaba-fedora/objects/elaba:8692969/datastreams/MAIN/content | |
dc.title | DDoS atakų aptikimas neuroniniu tinklu | |
dc.title.alternative | DDoS Attacks Detection Using Neural Network | |
dc.type | Magistro darbas / Master thesis | |
dcterms.references | 0 | |
dc.type.pubtype | ETD_MGR - Magistro darbas / Master thesis | |
dc.contributor.institution | Vilniaus Gedimino technikos universitetas | |
dc.subject.researchfield | T 007 - Informatikos inžinerija / Informatics engineering | |
dc.subject.lt | neuroninis tinklas | |
dc.subject.lt | daugiasluoksnis perceptronas | |
dc.subject.lt | spindulinės bazinės funkcijos | |
dc.subject.lt | tinklo srauto anomalija | |
dc.subject.lt | paskirstytas atsisakymas aptarnauti | |
dc.subject.en | neural network | |
dc.subject.en | multilayer perceptron | |
dc.subject.en | radial basis functions | |
dc.subject.en | anomaly network traffic | |
dc.subject.en | distributed denial of service | |
dc.identifier.elaba | 8692969 | |