prikaz prve stranice dokumenta Otkrivanje anomalija mrežnog prometa metodom klasifikacije strojnim učenjem u hibridnoj programski definiranoj mreži
  Download
PDF 4.26 MB
doctoral thesis
Otkrivanje anomalija mrežnog prometa metodom klasifikacije strojnim učenjem u hibridnoj programski definiranoj mreži
2024. urn:nbn:hr:200:290107
Fosić, Igor
Josip Juraj Strossmayer University of Osijek
Faculty of Electrical Engineering, Computer Science and Information Technology Osijek
Department of Communications
Chair of Radiocommunications and Telecommunications

Cite this document

Fosić, I. (2024). Otkrivanje anomalija mrežnog prometa metodom klasifikacije strojnim učenjem u hibridnoj programski definiranoj mreži (Doctoral thesis). Osijek: Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek. Retrieved from https://urn.nsk.hr/urn:nbn:hr:200:290107

Fosić, Igor. "Otkrivanje anomalija mrežnog prometa metodom klasifikacije strojnim učenjem u hibridnoj programski definiranoj mreži." Doctoral thesis, Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek, 2024. https://urn.nsk.hr/urn:nbn:hr:200:290107

Fosić, Igor. "Otkrivanje anomalija mrežnog prometa metodom klasifikacije strojnim učenjem u hibridnoj programski definiranoj mreži." Doctoral thesis, Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek, 2024. https://urn.nsk.hr/urn:nbn:hr:200:290107

Fosić, I. (2024). 'Otkrivanje anomalija mrežnog prometa metodom klasifikacije strojnim učenjem u hibridnoj programski definiranoj mreži', Doctoral thesis, Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek, accessed 21 January 2025, https://urn.nsk.hr/urn:nbn:hr:200:290107

Fosić I. Otkrivanje anomalija mrežnog prometa metodom klasifikacije strojnim učenjem u hibridnoj programski definiranoj mreži [Doctoral thesis]. Osijek: Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek; 2024 [cited 2025 January 21] Available at: https://urn.nsk.hr/urn:nbn:hr:200:290107

I. Fosić, "Otkrivanje anomalija mrežnog prometa metodom klasifikacije strojnim učenjem u hibridnoj programski definiranoj mreži", Doctoral thesis, Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek, Osijek, 2024. Available at: https://urn.nsk.hr/urn:nbn:hr:200:290107

Please login to the repository to save this object to your list.
Metadata
TitleOtkrivanje anomalija mrežnog prometa metodom klasifikacije strojnim učenjem u hibridnoj programski definiranoj mreži
Title (english)Anomaly Detection in Network Traffic Using Machine Learning Classification in a Hybrid Software-Defined Network
AuthorIgor Fosić
MentorDrago Žagar (mentor)
Committee memberKrešimir Grgić (predsjednik povjerenstva)
Committee memberVišnja Križanović (član povjerenstva)
Committee memberGordan Ježić (član povjerenstva)
GranterJosip Juraj Strossmayer University of Osijek
Faculty of Electrical Engineering, Computer Science and Information Technology Osijek
(Department of Communications)
(Chair of Radiocommunications and Telecommunications)
Osijek
Defense date and country2024, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Electrical Engineering
Telecommunications and Informatics
Universal decimal classification
(UDC)		621.3 - Electrical engineering
Abstract
Disertacija predstavlja inovativan pristup kibernetičkoj sigurnosti u kontekstu hibridnih programski definiranih mreža (SDN), s naglaskom na integraciju tehnika strojnog učenja za otkrivanje anomalija u mrežnom prometu. Istraživanje je usmjereno na rješavanje sigurnosnih izazova u SDN-arhitekturama kroz razvoj sustava za otkrivanje napada (NIDS) temeljenog na strojnom učenju, koji omogućava učinkovito otkrivanje i odgovor na prijetnje u stvarnom vremenu. Predloženi model kombinira prednosti tradicionalnih mrežnih arhitektura s prilagodljivošću SDN-a, pružajući skalabilno i učinkovito otkrivanje anomalija. Postupak odabira i prilagodbe ulaznih podataka, zajedno s optimizacijom algoritma klasifikacije, omogućava visoku točnost modela, što je vrlo važno za zaštitu kritičnih segmenata IT-sustava u korporativnoj mreži. Disertacija također uključuje detaljan pregled postojeće literature, istraživanje metoda integracije strojnog učenja sa SDN-om te rezultate verifikacije modela u stvarnom mrežnom okruženju. Dodatni istraživački doprinos uključuje razvoj metode verifikacije temeljene na analizi višestrukih NetFlow-zapisa, čime se dodatno potvrđuje učinkovitost predloženog modela. Znanstveni doprinosi ove disertacije uključuju: 1. Postupak odabira i prilagodbe skupa ulaznih podataka za algoritam klasifikacije radi otkrivanja anomalija u hibridnoj programski definiranoj mreži. 2. Predložen je model za otkrivanje anomalija u mrežnom prometu hibridne SDN-mreže, koji koristi algoritme strojnog učenja. 3. Osmišljena je metoda za verifikaciju predloženog modela u stvarnom mrežnom okruženju. Disertacija donosi značajan doprinos području mrežne sigurnosti, s posebnim naglaskom na napredna i inteligentna sigurnosna rješenja unutar hibridnih SDN-arhitektura.
Abstract (english)
This dissertation presents an innovative approach to cybersecurity in the context of hybrid Software-Defined Networks (SDN), with a focus on integrating machine learning techniques for anomaly detection in network traffic. The research is aimed at addressing security challenges in SDN architectures through the development of a Network Intrusion Detection System (NIDS) based on machine learning, enabling effective real-time threat recognition and response. The proposed model combines the strengths of traditional network architectures with the flexibility and adaptability of SDN, providing scalable and efficient anomaly detection. The process of selecting and adapting input data, along with the optimization of the classification algorithm, enables high model accuracy, which is crucial for protecting critical segments of IT systems within corporate networks. The dissertation also includes a detailed review of existing literature, an exploration of methods for integrating machine learning with SDN, and results from the model’s verification in a real network environment. An additional research contribution includes the development of a verification method based on the analysis of multiple NetFlow records, further confirming the effectiveness of the proposed model. The scientific contributions of this dissertation include: 1. The development of a process for selecting and adapting the input data set for the classification algorithm to detect anomalies in a hybrid Software-Defined Network. 2. A proposed model for anomaly detection in the network traffic of a hybrid SDN, utilizing machine learning algorithms. 3. The design of a method for verifying the proposed model in a real network environment. The dissertation makes a significant contribution to the field of network security, with a particular emphasis on advanced and intelligent security solutions within hybrid SDN architectures.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:200:290107
Promotion2024
Study programmeTitle: Postgraduate Doctoral Study in Electrical Engineering and Computer Science
Study programme type: university
Study level: postgraduate
Academic / professional title: doktor/doktorica znanosti u području tehničkih znanosti (doktor/doktorica znanosti u području tehničkih znanosti)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence In copyright icon
Created on2024-12-18 07:12:22