Wykorzystanie sztucznej inteligencji do analizy logów serwera w celu wykrywania anomalii

• Autorzy: Janczewski Tomasz

Warianty tytułu

EN

Using artificial intelligence to analyze server logs to detect anomalies

• Języki publikacji: PL

Abstrakty

PL

Celem artykułu jest przestawienie wyników badań nad możliwością wykorzystania algorytmów sztucznej inteligencji do analizie plików logów serwera działającego w sieci Internet w celu wykrywania anomalii. Autor przedstawia przegląd obecnej literatury tematu oraz prezentuje wynik własnych badań związanych z tematem.

EN

Artificial intelligence algorithms for the analysis of server log files in an Internet-connected environment, with the aim of detecting anomalies. The author provides a comprehensive review of the existing literature on the subject and presents the results of original research conducted in this domain. The study explores the potential of AI-based approaches to enhance the accuracy and efficiency of server log analysis, thereby contributing to the advancement of predictive maintenance and anomaly detection techniques in networked systems.

Słowa kluczowe

PL

cyberbezpieczeństwo; sztuczna inteligencja; analiza logów; detekcja anomalii; przeciwdziałanie awarii serwera

EN

cybersecurity; artificial intelligence; log analysis; anomaly detection; server failure prevention

• Wydawca: Maritime Cybersecurity Center, Polish Naval Academy in Gdynia of the Heroes of Westerplatte
• Czasopismo: Cybersecurity & Cybercrime
• Rocznik: 2025
• Tom: T. 1, Nr 8
• Strony: 51--62
• Opis fizyczny: Bibliogr. 12 poz., rys.

Twórcy

autor

Janczewski Tomasz

• Akademia Marynarki Wojennej

• https://orcid.org/0009-0006-4583-+4377

Bibliografia

• 1. Elastic. Kibana: Explore, Visualize, and Analyze Data. Dostępne na: https://www.elastic.co/kibana. Dostęp 12 września 2024.
• 2. Lazarevic, A., Ertoz, L., Ozgur, A., Kumar, V., & Srivastava, J. (2003). A Comparative Study of Anomaly Detection Schemes in Network Intrusion Detection. Conference Paper, May 2003. Dostępne na: https://www.researchgate.net/publication/220907138_A_Comparative_Study_of_Anomaly_Detection_Schemes_in_Network_Intrusion_Detection. Dostęp 12 września 2024.
• 3. Yenduri, S., & Gadekallu, T. (2022). AI and Automation for the Future of Startups. In R. Anane-Simon & S. O. Atiku (Eds.), Artificial Intelligence and Automation for the Future of Startups. Dostępne na: https://orcid.org/0000-0003-2512-7772. Dostęp 12 września 2024.
• 4. Borges, O., Lenarduzzi, V., & Prikladnicki, R. (2022, May 16). Preliminary insights to enable automation of the software development process in software Startups. Proceedings of the 1st International Conference on AI Engineering: Software Engineering for AI CAIN ’22: 1st Conference on AI Engineering: Software Engineering for AI. 10.1145/3522664.3528610
• 5. Pissanidis, D., & Demertzis, K. (2023). Integrating AI/ML in Cybersecurity: An Analysis of Open XDR Technology and its Application in Intrusion Detection and System Log Management. Preprints. Dostęp na: https://doi.org/10.20944/preprints202312.0205.v1.
• 6. Hodge, V. J., & Austin, J. (2004). A Survey of Statistical Methods for Anomaly Detection. Computing Surveys.
• 7. Moore, D. S., McCabe, G. P., & Craig, B. A. (2020). Introduction to the Practice of Statistics. 9th Edition. Macmillan Learning.
• 8. Tan, P.-N., Steinbach, M., & Kumar, V. (2018). Introduction to Data Mining. 2nd Edition. Pearson.
• 9. Geron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. 2nd Edition. O'Reilly Media.
• 10. Akoglu, B., Vreeken, J., & Tong, H. (2019). Fast and Reliable Anomaly Detection in Categorical Data: A Hybrid Approach Using Isolation Forests and Time Series Analysis. Journal of Machine Learning Research.
• 11. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. 12. Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques. 3rd Edition. Morgan Kaufmann.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).