Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/63632
| Title: | การวิเคราะห์ต้นทุนของเทคนิคการเรียนรู้ด้วยเครื่องในการตรวจจับการบุกรุก |
| Other Titles: | Cost Analysis Of Machine Learning Techniques In Intrusion Detection |
| Authors: | ไปรยา ตั้งจาตุรโสภณ |
| Advisors: | เกริก ภิรมย์โสภา |
| Other author: | จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์ |
| Advisor's Email: | Krerk.P@Chula.ac.th |
| Issue Date: | 2561 |
| Publisher: | จุฬาลงกรณ์มหาวิทยาลัย |
| Abstract: | งานวิจัยนี้ได้นำเสนอการวิเคราะห์ต้นทุนของเทคนิคการเรียนรู้ด้วยเครื่องในการตรวจจับการบุกรุก โดยวิเคราะห์เวลาที่ใช้ในการสร้างแบบจำลองที่ใช้กับข้อมูลในการตรวจจับการบุกรุก ซึ่งการเรียนรู้ด้วยเครื่อง (machine learning) เป็นวิทยาการคอมพิวเตอร์ที่ทำให้คอมพิวเตอร์สามารถเรียนรู้ด้วยตนเอง สามารถทำนายหรือตัดสินใจจากข้อมูลที่เข้ามาได้ ว่าเป็นภัยคุกคามทางเครือข่ายหรือไม่ ซึ่งคุณสมบัตินี้จะช่วยให้สามารถตรวจสอบภัยคุกคามทางเครือข่ายรูปแบบใหม่ๆ ที่ไม่เคยตรวจพบมาก่อนได้ ดังนั้นการเพิ่มประสิทธิภาพความถูกต้องของเครื่องมือการตรวจจับการบุกรุก กลายเป็นเรื่องที่เปิดกว้างและได้รับความสนใจจากกลุ่มการวิจัย อย่างไรก็ตามต้นทุนทางด้านเวลามักถูกมองข้ามในกลุ่มการวิจัย งานวิจัยนี้จะช่วยให้ผู้ดูแลระบบสามารถตัดสินใจได้ดีขึ้นเกี่ยวกับวิธีเลือกฮาร์ดแวร์ที่เหมาะสมสำหรับการตรวจจับการบุกรุกในสภาพแวดล้อมต่างๆ อีกทั้งได้เสนอแบบจำลองสำหรับการประมาณเวลาในการสร้างแบบจำลองระบบตรวจจับการบุกรุกของแต่ละรูปแบบ และได้นำเสนอสมรรถนะของเวลาในการประมวลผลที่เพิ่มขึ้น (Speedup ratio) และสัดส่วนของงานที่สามารถประมวลผลแบบขนานได้ในแต่ละรูปแบบวิธี เพื่อเป็นแนวทางในการตัดสินใจ เลือกรูปแบบเทคนิคการเรียนรู้ด้วยเครื่องในการสร้างระบบตรวจจับการบุกรุกที่เหมาะสม สำหรับการลงทุน |
| Other Abstract: | In our study presents the performance analysis of machine learning techniques in intrusion detection. We analyze time to build (and to retrain) the models used by Intrusion Detection System. Machine Learning is a branch of computer science that allows the computer to learn by themselves without programming sequence. These techniques can be applied to detect the new threat that has never seen before. Due to the large volumes of security audit data as well as complex and dynamic properties of intrusion behaviors, optimizing the accuracy of IDS becomes an important open problem that is receiving attention from the research community. However, the performance (time and space required) is usually ignored. Our study allows administrators to work make better decisions about how to select the proper hardware for intrusion detection in various environments. We proposed the models for estimating the time to build each model, presented the speedup ratio and the fraction of work that can be processed in parallel in each method. To be a guideline for choosing a machine learning technique to build the models used by Intrusion Detection System. |
| Description: | วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2561 |
| Degree Name: | วิทยาศาสตรมหาบัณฑิต |
| Degree Level: | ปริญญาโท |
| Degree Discipline: | วิทยาศาสตร์คอมพิวเตอร์ |
| URI: | http://cuir.car.chula.ac.th/handle/123456789/63632 |
| URI: | http://.doi.org/10.58837/CHULA.THE.2018.1136 |
| metadata.dc.identifier.DOI: | 10.58837/CHULA.THE.2018.1136 |
| Type: | Thesis |
| Appears in Collections: | Eng - Theses |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 5970941221.pdf | 2.31 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.