Detection and analysis of network security threats using artificial intelligence

• Autorzy: Litawa Grzegorz , Żelasko Mateusz , Litawa Julia

Warianty tytułu

PL

Wykrywanie i analiza zagrożeń bezpieczeństwa sieci przy użyciu sztucznej inteligencji

• Języki publikacji: EN

Abstrakty

EN

This article describes ways of detecting and analysing major security threats in network. Our research is based on a neural network created in Python language with the use of TensorFlow. With the help of artificial intelligence, we can analyse language for the presence of disinformation and propaganda. We have used BERT (Bidirectional Encoder Representations from Transformers) model, in order to catch fake, malicious and suspicious content. Basing on the BERT model, other models were created, for example HerBERT, which was trained to understand Polish. Furthermore, we have availed ourselves of DNS analysis, so we can localize IP addresses of Internet domains. In this work, we will discuss these methods of protecting information space.

PL

W artykule opisano metody wykrywania i analizy głównych zagrożeń dla bezpieczeństwa sieci. Nasze badania opierają się na sieci neuronowej stworzonej w języku Python przy użyciu biblioteki TensorFlow. Dzięki sztucznej inteligencji jesteśmy w stanie analizować język pod kątem obecności dezinformacji i propagandy. Wykorzystaliśmy model BERT (Bidirectional Encoder Representations from Transformers), aby wykrywać fałszywe, złośliwe i podejrzane treści. Na bazie modelu BERT stworzono inne modele, takie jak HerBERT, który został przeszkolony do rozumienia języka polskiego. Ponadto skorzystaliśmy z analizy DNS, dzięki czemu jesteśmy w stanie zlokalizować adresy IP domen internetowych. W pracy tej omówimy te metody ochrony przestrzeni informacyjnej.

Słowa kluczowe

EN

machine learning; language analysis; protecting information space; LSTM; Keras; BERT; DNS; NLP

PL

uczenie maszynowe; analiza języka; ochrona przestrzeni informacyjnej; LSTM; Keras; BERT; DNS; NLP

• Wydawca: Wydawnictwo Naukowe Akademii Nauk Stosowanych w Nowym Sączu
• Czasopismo: Journal of Engineering, Energy and Informatics
• Rocznik: 2024
• Tom: No. 1(3)
• Strony: 50--55
• Opis fizyczny: Bibliogr. 13 poz., rys.

Twórcy

autor

Litawa Grzegorz

• University of Applied Sciences in Nowy Sącz, Faculty of Engineering Sciences, Zamenhofa 1a, 33-300 Nowy Sącz

autor

Żelasko Mateusz

• University of Applied Sciences in Nowy Sącz, Faculty of Engineering Sciences, Zamenhofa 1a, 33-300 Nowy Sącz

autor

Litawa Julia

• University of Applied Sciences in Nowy Sącz, Faculty of Engineering Sciences, Zamenhofa 1a, 33-300 Nowy Sącz

Bibliografia

• Ai, Y., Li, Z., Gan, M., Zhang, Y., Yu, D., Chen, W., Ju, Y. (2019). A deep learning approach on short-term spatiotemporal distribution forecasting of dockless bike-sharing system. Neural Comput Appl, 31(5), 1665-1667.
• Albon, C. (2018). Uczenie maszynowe w Pythonie. Receptury. Gliwice: Helion.
• Bezliudnyi, Y., Shymkovych, V., Kravets, P., Novatsky, A., Shymkovych, L. (2023). Pro-Russian propaganda recognition and analytics system based on text classification model and statistical data processing methods. Retrieved from: https://ela.kpi.ua/bitstream/123456789/55707/1/278923-643037-1-10-20230510.pdf.
• Brownlee, J. (2020). How to Develop LSTM Models for Time Series Forecasting. Retrieved from: https://machinelearningmastery.com/how-to-develop-lstm-models-for-time-series-forecasting/.
• Brownlee, J. (2020). Time Series Prediction with LSTM Recurrent Neural Networks in Python with Keras. Retrieved from: https://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neural-networks-python-keras/.
• Chollet, F. (2019). Deep Learning. Praca z językiem Python i biblioteką Keras. Gliwice: Helion.
• Da San Martino, G., Seunghak, Y., Barron-Cedeno, A., Petrov, R., Nakov, P. (2019). Fine-Grained Analysis of Propaganda in News Articles. Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (pp. 5636-5646). Hong Kong.
• Demertzis, K. Iliadis, L. Bougoudis, I. (2019). Gryphon: a semi-supervised anomaly detection system based on one-class evolving spiking neural network. Neural Comput Appl.
• Essien, A. Giannettic C. (2020). A Deep Learning Model for Smart Manufacturing Using Convolutional LSTM Neural Network Autoencoders. IEEE Transactions on Industrial Informatics PP, 99, 6069-6078.
• Géron, A. (2020). Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Gliwice: Helion.
• Livieris, I.E. (2020). A CNN-LSTM model for gold price time-series forecasting. Neural Computing and Applications, 32, 17351-17360.
• Loukas, S. (2020). Time-Series Forecasting: Predicting Stock Prices Using An LSTM Model. Retrieved from: https://towardsdatascience.com/lstm-time-series-forecasting-predicting-stock-prices-using-an-lstm-model-6223e9644a2f.
• Srebrovic, R., Yonamine, J. (2020). Leveraging the BERT algorithm for Patents with TensorFlow and BigQuery. Retrieved from: https://services.google.com/fh/files/blogs/bert_for_patents_white_paper.pdf.

Uwagi

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