Details

Title Обнаружение аномалий сетевого трафика с использованием свёрточных нейронных сетей: выпускная квалификационная работа специалиста: направление 10.05.01 «Компьютерная безопасность» ; образовательная программа 10.05.01_02 «Математические методы защиты информации»
Creators Даньшин Илья Андреевич
Scientific adviser Платонов Владимир Владимирович
Organization Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и кибербезопасности
Imprint Санкт-Петербург, 2024
Collection Выпускные квалификационные работы ; Общая коллекция
Subjects Машинное обучение ; Нейронные сети ; Информация — Защита ; обнаружение сетевых атак ; network attack detection
UDC 004.85 ; 004.032.26 ; 004.056
Document type Specialist graduation qualification work
File type PDF
Language Russian
Level of education Specialist
Speciality code (FGOS) 10.05.01
Speciality group (FGOS) 100000 - Информационная безопасность
DOI 10.18720/SPBPU/3/2024/vr/vr24-1511
Rights Доступ по паролю из сети Интернет (чтение, печать)
Record key ru\spstu\vkr\28259
Record create date 4/24/2024

Allowed Actions

Action 'Read' will be available if you login or access site from another network

Group Anonymous
Network Internet

Тема выпускной квалификационной работы: «Обнаружение аномалий сетевого трафика с использованием свёрточных нейронных сетей». Целью работы является повышение достоверности выявления аномалий сетевого трафика за счёт использования нейронных сетей, использующих свёрточную архитектуру. Предметом исследования являются методы и подходы к обнаружению сетевых атак с использованием свёрточных нейронных сетей. Задачи, решаемые в ходе исследования: 1. Провести анализ типов аномалий сетевого трафика и методов их обнаружения. 2. Исследовать свёрточные нейронные сети и их использование. 3. Разработать метод обнаружения аномалий сетевого трафика на основе искусственных нейронных сетей, имеющих свёрточную архитектуру. 4. Осуществить оценку достоверности обнаружения аномалий сетевого трафика. В ходе работы были исследованы типы аномалий сетевого трафика и методы, наиболее используемые для обнаружения сетевых атак. В результате работы разработан прототип системы обнаружения сетевых атак с использованием свёрточных нейронных сетей, осуществляющий классификацию сетевого трафика. Проведены тесты на тестовом наборе данных, по результатам которых сделан вывод, что используемый подход является применимым для классификации аномалий сетевого трафика. Полученные результаты могут стать основой для создания системы обнаружения аномалий сетевого трафика.

The topic of the graduate qualification work is «Detection of network traffic anomalies using convolutional neural networks». The purpose of the study is to increase the reliability of detecting network traffic anomalies through the use of neural networks using convolutional architecture. The subject of the work is methods and approaches to detecting network attacks using convolutional neural networks. The research set the following goals: 1. Analyze the types of network traffic anomalies and methods for detecting them. 2. Research of convolutional neural networks and their use. 3. Develop a method for detecting network traffic anomalies based on artificial neural networks with a convolutional architecture. 4. Assess the reliability of detecting network traffic anomalies. In the course of the work, the types of network traffic anomalies and the methods most used to detect network attacks were investigated. As a result, a prototype of a network attack detection system using convolutional neural networks that classifies network traffic was developed. Tests on a test dataset have been carried out, the results of which concluded that the approach used is applicable to the classification of network traffic anomalies. The obtained results can be the basis for creating a system for detecting network traffic anomalies.

Network User group Action
ILC SPbPU Local Network All
Read Print
Internet Authorized users SPbPU
Read Print
Internet Anonymous

Access count: 24 
Last 30 days: 0

Detailed usage statistics