Bu öğeden alıntı yapmak, öğeye bağlanmak için bu tanımlayıcıyı kullanınız: http://elartu.tntu.edu.ua/handle/lib/49903
Başlık: Паралелізація алгоритму класифікації Random Forest для пришвидшення виявлення кібератак
Diğer Başlıklar: Parallelizing the Random Forest Classification Algorithm to Speed Up Cyberattack Detection
Yazarlar: Параїл, Олександр Володимирович
Parail, Oleksandr
Affiliation: ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра кібербезпеки, м. Тернопіль, Україна
Bibliographic description (Ukraine): Параїл О. В. Паралелізація алгоритму класифікації Random Forest для пришвидшення виявлення кібератак : робота на здобуття кваліфікаційного ступеня бакалавра : спец. 125 - кібербезпека / наук. кер. Козак Р.О. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2025. 62 с.
Yayın Tarihi: 25-Haz-2025
Submitted date: 11-Haz-2025
Date of entry: 8-Ağu-2025
Country (code): UA
Place of the edition/event: ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна
Supervisor: Козак, Руслан Орестович
Kozak, Ruslan
Committee members: Марценюк, Василь Петрович
Martsenyuk, Vasyl
UDC: 004.56
Anahtar kelimeler: IoT
DoS
DDoS
ML
TP
FP
TN
FN
Özet: У роботі досліджено проблему виявлення атак типу DDoS, що становлять загрозу інформаційній безпеці сучасних мережевих інфраструктур. Розглянуто природу, класифікацію та існуючі методи боротьби з подібними атаками, а також обґрунтовано доцільність застосування алгоритмів машинного навчання для підвищення точності їх детектування. Основну увагу зосереджено на використанні методу Random Forest для класифікації мережевого трафіку. Запропоновано підхід до паралельної реалізації алгоритму, що дозволяє суттєво скоротити час обробки великих обсягів даних. Проведено експериментальне порівняння ефективності класифікації у послідовному та багатопотоковому режимах. Отримані результати підтверджують переваги паралельної обробки та вказують на перспективність подальших досліджень із застосуванням розподілених обчислень у сфері кібербезпеки.
This thesis addresses the challenge of detecting distributed denial-of-service (DDoS) attacks, which pose significant threats to modern network security. The work explores the nature, classification, and mitigation strategies of such attacks, emphasizing the limitations of traditional statistical detection methods. A machine learning-based approach is proposed to improve detection accuracy, specifically through the use of the Random Forest algorithm for network traffic classification. A parallel implementation of the algorithm is developed to optimize processing time and enhance system performance. Experimental results demonstrate the efficiency of the proposed model, comparing single-threaded and multithreaded execution. Based on these findings, a copyright application has been submitted. Additionally, the study outlines the potential for distributed computing in handling large-scale datasets, offering a foundation for further academic exploration in the field of cybersecurity.
Content: ПЕРЕЛІК УМОВНИХ ПОЗНАЧЕНЬ, СИМВОЛІВ, ОДИНИЦЬ, СКОРОЧЕНЬ І ТЕРМІНІВ 7 ВСТУП 8 РОЗДІЛ 1 ТЕОРЕТИЧНІ ЗАСАДИ РОЗПОДІЛЕНИХ АТАК (DDoS) 9 1.1 Актуальність проблеми 9 1.2 Різновиди мережевих атак 9 1.3.1 Атаки на прикладному рівні 10 1.3.2 Атаки на мережевому рівні 11 1.3.3 Атаки на виснаження пропускної здатності 12 РОЗДІЛ 2 БАЗОВІ ПОНЯТТЯ МАШИННОГО НАВЧАННЯ 15 2.1 Загальні принципи машинного навчання 15 2.2 Методика дерев рішень 18 2.3 Паралельна реалізація Random Forest для ефективного виявлення мережевих загроз 20 2.4 Паралельна обробка: переваги та обмеження 22 2.5 Розподілені обчислення: сильні та слабкі сторони 27 РОЗДІЛ 3 ПРАКТИЧНА РЕАЛІЗАЦІЯ ПАРАЛЕЛЬНОЇ ОБРОБКИ В АЛГОРИТМІ РАНДОМ ФОРЕСТ 30 3.1 Підготовка вхідних даних 30 3.2 Аналіз побудови класифікаційної моделі для обробки файлів 31 3.3 Оцінка результатів класифікації за допомогою створеної моделі 38 РОЗДІЛ 4 БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ОХОРОНИ ПРАЦІ 43 4.1 Охорона праці 43 4.2 Безпека життєдіяльності 45 ВИСНОВОК 48 СПИСОК ПОСИЛАНЬ 49 ДОДАТКИ
URI: http://elartu.tntu.edu.ua/handle/lib/49903
Copyright owner: © Параїл Олександр Володимирович, 2025
References (Ukraine): 1. Метод виявлення мережевих атак в комп’ютеризованих системах управління. URL: http://konkurs.khnu.km.ua/wp- content/uploads/sites/25/2019/04/DP3_Eugen.pdf
2. Network Attacks and Their Detection Mechanisms. URL: https://www.researchgate.net/publication/263052997_Network_Attacks_and Their_Detection_Mechanisms_A_Review
3. Random Forest Modeling for Network Intrusion Detection System. URL: https://www.sciencedirect.com/science/article/pii/S1877050916311127
4. Canadian Institute for Cybersecurity. URL: https://www.unb.ca/cic/datasets/
5. Understanding Random Forest. How the Algorithm Works and Why it Is So Effective. URL: https://towardsdatascience.com/understanding-random- forest-58381e0602d2
6. Intrusion-Detection-using-Machine-Learning-on-NSL--KDD-dataset. URL: https://github.com/Deepthi10/Intrusion-Detection-using-Machine-Learning- on-NSL--KDD-dataset/blob/master/IDS.ipynb
7. Distributed Data Processing 101 – The Only Guide You’ll Ever Need. URL: https://www.scaleyourapp.com/distributed-data-processing-101-the-only- guide-youll-ever-need/
8. Методи боротьби з DoS або DDoS атаками. URL: https://wiki.tntu.edu.ua/Методи_боротьби_з_Dos_або_DDos_атаками
9. Turning Internet of Things(IoT) into Internet of Vulnerabilities (IoV) : IoT Botnets. URL: https://arxiv.org/pdf/1702.03681.pdf
10. Statistical Analysis Driven Optimized Deep Learning System for Intrusion Detection.URL: https://www.researchgate.net/publication/327110465_Statistical_Analysis_ Driven_Optimized_Deep_Learning_System_for_Intrusion_Detection
11. L. Galchynsky and M. Grayvoronsky, “Evaluation of machine learning methods to detect DoS / DDoS attacks in IoT,” Theoretical And Applied Cybersecurity Vol. 5 No. 1 (2022)
12. When Accuracy Isn’t Enough, Use Precision and Recall to Evaluate Your Classification Model. Will Koehrsen. URL: https://builtin.com/data- science/precision-and-recall
13. Deep learning approaches for detecting DDoS attacks: a systematic review. Meenakshi Mittal, Krishan Kumar, Sunny Behal. 2022. URL: https://link.springer.com/article/10.1007/s00500-021-06608-1
14. ZAGORODNA, N., STADNYK, M., LYPA, B., GAVRYLOV, M., & KOZAK, R. (2022). Network Attack Detection Using Machine Learning Methods. Challenges to national defence in contemporary geopolitical situation, 2022(1), 55-61.
15. Tymoshchuk, D., Yasniy, O., Mytnyk, M., Zagorodna, N., Tymoshchuk, V., (2024). Detection and classification of DDoS flooding attacks by machine learning methods. CEUR Workshop Proceedings, 3842, pp. 184 - 195.
16. Tymoshchuk, D., & Yatskiv, V. (2024). Slowloris ddos detection and prevention in real-time. Collection of scientific papers «ΛΌГOΣ», (August 16, 2024; Oxford, UK), 171-176.
17. Augmented Reality Enhanced Learning Tools Development for Cybersecurity Major Zagorodna N., Skorenkyy Y., Kunanets N., Baran I., Stadnyk M (2022) CEUR Workshop Proceedings, 3309 , pp. 25-32.
18. Boltov, Y., Skarga-Bandurova, I., & Derkach, M. (2023, September). A Comparative Analysis of Deep Learning-Based Object Detectors for Embedded Systems. In 2023 IEEE 12th International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS) (Vol. 1, pp. 1156-1160). IEEE.
19. Lupenko, S., Orobchuk, O., & Xu, M. (2019, September). Logical-structural models of verbal, formal and machine-interpreted knowledge representation in Integrative scientific medicine. In Conference on Computer Science and Information Technologies (pp. 139-153).
20. Muzh, V., & Lechachenko, T. (2024). Computer technologies as an object and source of forensic knowledge: challenges and prospects of development. Вісник Тернопільського національного технічного університету, 115(3), 17-22.
21. А.Г. Микитишин, М.М. Митник, П.Д. Стухляк, В.В. Пасічник. Комп'ютерні мережі. Книга 1 [навчальний посібник] - Львів, "Магнолія 2006", 2013. - 256 с.
22. Микитишин, А. Г., Митник, М. М., Голотенко, О. С., & Карташов, В. В. (2023). Комплексна безпека інформаційних мережевих систем. Навчальний посібник для студентів спеціальності 174 «Автоматизація, комп’ютерно-інтегровані технології та робототехніка».
23. Nedzelskyi, D., Derkach, M., Tatarchenko, Y., Safonova, S., Shumova, L., & Kardashuk, V. (2019, August). Research of efficiency of multi-core computers with shared memory. In 2019 7th International Conference on Future Internet of Things and Cloud Workshops (FiCloudW) (pp. 111-114). IEEE.
24. Lypa, B., Horyn, I., Zagorodna, N., Tymoshchuk, D., Lechachenko T., (2024). Comparison of feature extraction tools for network traffic data. CEUR Workshop Proceedings, 3896, pp. 1-11.
25. Derkach, M., Lysak, V., Skarga-Bandurova, I., & Kotsiuba, I. (2019, September). Parking Guide Service for Large Urban Areas. In 2019 10th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS) (Vol. 1, pp. 567-571). IEEE.
26. Nedzelky, D., Derkach, M., Skarga-Bandurova, I., Shumova, L., Safonova, S., & Kardashuk, V. (2021, September). A Load Factor and its Impact on the Performance of a Multicore System with Shared Memory. In 2021 11th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS) (Vol. 1, pp. 499-503). IEEE.
27. Babakov, R. M., et al. "Internet of Things for Industry and Human Application. Vol. 3." (2019): 1-917.
28. Sachenko, A. O., et al. "Internet of Things for intelligent transport systems."
Content type: Bachelor Thesis
Koleksiyonlarda Görünür:125 — Кібербезпека, Кібербезпека та захист інформації (бакалаври)

Bu öğenin dosyaları:
Dosya Açıklama BoyutBiçim 
Parajil_Oleksandr_SB41_2025.pdf1,76 MBAdobe PDFGöster/Aç


DSpace'deki bütün öğeler, aksi belirtilmedikçe, tüm hakları saklı tutulmak şartıyla telif hakkı ile korunmaktadır.

Yönetim Araçları