Детальная информация

Тема выпускной квалификационной работы: «Тестирование программного обеспечения методами машинного обучения».Данная работа посвящена исследованию основ методов машинного обучения, и узнать секреты построения полнофункциональной системы безопасности на основе машинного обучения.Задачи, которые решались в ходе исследования:1.Модели и алгоритмы машинного обучения;2.Метрики оценки производительности;3.Снижение размерности;4.Ансамблевое обучение;5.Среды разработки машинного обучения и библиотеки Python;6.Машинное обучение в тестировании на проникновение - обещания и проблемы.Здесь была предложена несколько критериев для анализа электронных писем, чтобы создать более точные подходы к классификации. сообщений, чтобы создать более точные подходы к их обнаружению. Были определены семантические и структурные элементы, которые необходимо обнаружить, чтобы классифицировать письмо как фишинговое или легитимное.При глобальном анализе все протестированные алгоритмы показали хорошие результаты классификации. результаты, что указывает на согласованность атрибутов, выбранных для составления набора данных. Это также подтверждает, что небольшой набор атрибутов может быть успешно использован для обнаружения фишинговых сообщений. Алгоритм многослойного перцептрона показал самый наилучший результат в тестах (96,5% правильной классификации).

The topic of the graduate qualification work: "Testing software by machine learning methods".This work is devoted to the study of the basics of machine learning methods, as well as the study of the secrets of building a fully functional security system based on machine learning.The objectives of the research were:1.Machine learning models and algorithms;2.Performance evaluation metrics;3.dimensionality reduction;4.Ensemble learning;5.Machine learning development environments and Python libraries;6.Machine Learning in Penetration Testing - Promises and Challenges.Several criteria were proposed here for analyzing emails in order to create more accurate approaches for classification. messages in order to create more accurate approaches for detection. Semantic and structural elements that must be detected to classify an email as phishing or legitimate were identified.In the global analysis, all of the tested algorithms performed well in classification, indicating that the attributes chosen to compose the dataset were consistent. This also confirms that a small set of attributes can be successfully used to detect phishing messages. The multilayer perceptron algorithm showed the best test result (96.5% correct classification).