Sisteme inteligente de detecţie a atacurilor cibernetice utilizând algoritmi de învăţare automată

Abstract

Scopul lucrării constă în analiza și dezvoltarea unui sistem inteligent de detecție a atacurilor cibernetice bazat pe algoritmi de învățare automată, capabil să identifice în timp real traficul malițios din rețea și să diferențieze activitățile legitime de cele de tip atac. Obiectivele generale: 1. Analiza conceptelor și tehnologiilor specifice detecției atacurilor cibernetice, cu accent pe utilizarea algoritmilor de învățare automată în sistemele moderne IDS. 2. Proiectarea și implementarea unui sistem inteligent de detecție a intruziunilor, bazat pe analiza traficului de rețea colectat în timp real. 3. Dezvoltarea și antrenarea unui model de învățare automată pentru clasificarea traficului benign și malițios, utilizând date colectate într-un stend de testare controlat. 4. Evaluarea performanței și validarea experimentală a sistemului propus, prin analiza rezultatelor obținute în scenarii reale de trafic benign și atacuri cibernetice simulate. Metodele aplicate. În procesul de elaborare a lucrării au fost utilizate metode de cunoaștere științifică atât teoretice, cât și empirice, după cum urmează: • Analiza – utilizată pentru studierea componentelor sistemelor IDS, a algoritmilor ML și a caracteristicilor traficului de rețea; • Sinteza – aplicată pentru integrarea informațiilor teoretice într-o arhitectură funcțională a sistemului propus; • Experimentul – utilizat pentru colectarea traficului de rețea, simularea atacurilor și testarea performanței modelului ML.Rezultatele concrete obținute. Ca rezultat al efectuării tezei de licență și a luării deciziilor corecte în baza studiului bibliografic s-au obținut următoarele rezultate: • proiectarea și implementarea unui IDS pentru analiza traficului de rețea; • colectarea și prelucrarea traficului benign și malițios utilizând Zeek; • generarea unui set de date etichetat pentru antrenarea modelului ML; • antrenarea și evaluarea unui model Random Forest cu performanțe ridicate de clasificare; • integrarea modelului de învățare automată într-un sistem IDS capabil să funcționeze în timp real; • validarea experimentală a eficienței sistemului propus în detectarea atacurilor cibernetice.

Purpose of the thesis The purpose of this thesis is to analyze and develop an intelligent cyberattack detection system based on machine learning algorithms, capable of identifying malicious network traffic in real time and distinguishing legitimate activities from attack behaviors. General objectives 1. To analyze the concepts and technologies specific to cyberattack detection, with an emphasis on the use of machine learning algorithms in modern Intrusion Detection Systems (IDS). 2. To design and implement an intelligent intrusion detection system, based on real-time network traffic analysis. 3. To develop and train a machine learning model for the classification of benign and malicious traffic, using data collected in a controlled testing environment. 4. To evaluate the performance and experimentally validate the proposed system, through the analysis of results obtained in real scenarios involving benign traffic and simulated cyberattacks. Applied methods During the development of the thesis, both theoretical and empirical scientific research methods were applied, as follows: • Analysis – used to study the components of IDS systems, machine learning algorithms, and network traffic characteristics; • Synthesis – applied to integrate theoretical knowledge into a coherent and functional system architecture; • Experimentation – used for network traffic collection, attack simulation, and performance testing of the ML model. As a result of conducting the master’s thesis and making informed decisions based on the bibliographic study, the following outcomes were achieved: • the design and implementation of an intrusion detection system for network traffic analysis; • the collection and processing of benign and malicious traffic using Zeek; • the generation of a labeled dataset for training the machine learning model; • the training and evaluation of a Random Forest model with high classification performance; • the integration of the machine learning model into an IDS capable of real-time operation; • the experimental validation of the effectiveness of the proposed system in detecting cyberattack.