dc.contributor.author | Ševiakovas, Elonas | |
dc.date.accessioned | 2023-09-18T09:11:56Z | |
dc.date.available | 2023-09-18T09:11:56Z | |
dc.date.issued | 2021 | |
dc.identifier.uri | https://etalpykla.vilniustech.lt/handle/123456789/111034 | |
dc.description.abstract | Baigiamajame magistro darbe išnagrinėtos įsilaužimo aptikimo sistemos, jų veikimo būdai bei naujausi įsilaužimo aptikimo metodai. Aprašytas mašininis mokymasis bei įvairūs jo tipai. Taip pat aptarti duomenų surinkimo būdai bei bendras jų surinkimo procesas. Trumpai apžvelgtos komercinės ir nekomercinės įsilaužimo aptikimo sistemos. Pasiūlytas metodas įsilaužimams aptikti, kuris paremtas vienu iš giluminių neuroninių tinklų. Pasirinktam metodui parašytas duomenų surinkimo įrankis, duomenys surinkti nesimuliuotoje aplinkoje. Galiausiai suprogramuotas pasiūlytas įsilaužimo aptikimo metodas, įvertintas jo efektyvumas lyginant jį su kitais giluminiais neuroniniais tinklais ir duomenimis. Darbą sudaro 4 dalys: įvadas, analitinė dalis, pasiūlyto metodo kartu su duomenų surinkimu ir vertinimu dalis, išvados. Darbo apimtis – 61 p. teksto be priedų, 40 pav., 5 lent., 30 bibliografinių šaltinių. | lit |
dc.description.abstract | The final master thesis examines intrusion detection systems and newest intrusion detection methods. It also contains explanation of machine learning and various types of learning algorithms. In addition, data collection methods are reviewed along with general steps for data collection. Furthermore there is a short review of both commercial and non-commercial intrusion detection systems. A method for intrusion detection is proposed which is based on a type of deep neural network. A data collection tool was programmed specifically for the chosen method and data was collected in an unsimulated environment. Last of all a prototype of selected method was programmed and it's effectiveness was evaluated by comparing it to other deep learning methods and data. Structure: introduction, analytical part, suggested intrusion detection method with data collection and evaluation of results, conclusion. Thesis consists of 61 pages of text, 40 pictures, 5 tables, 30 sources. | eng |
dc.format | PDF | |
dc.format.extent | 62 p. | |
dc.format.medium | tekstas / txt | |
dc.language.iso | lit | |
dc.rights | Laisvai prieinamas internete | |
dc.source.uri | https://talpykla.elaba.lt/elaba-fedora/objects/elaba:96600722/datastreams/MAIN/content | |
dc.title | Įsilaužimo į kompiuterį aptikimas: vartotojo elgsenos analizė giliojo mokymo metodais | |
dc.title.alternative | Host-Level Intrusion Detection: Analysis of User Behavior by Deep Learning Methods | |
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.studydirection | B04 - Informatikos inžinerija / Informatics engineering | |
dc.subject.lt | LSTM | |
dc.subject.lt | Autoenkoderis | |
dc.subject.lt | Giluminis neuroninis tinklas | |
dc.subject.lt | IDS | |
dc.subject.lt | Įsilaužimų aptikimas | |
dc.subject.en | LSTM | |
dc.subject.en | Autoencoder | |
dc.subject.en | Deep Neural Network | |
dc.subject.en | IDS | |
dc.subject.en | Intrusion Detection | |
dc.identifier.elaba | 96600722 | |