Show simple item record

Inference on a Graph Representing a Computer Network

dc.contributor.advisorPevný Tomáš
dc.contributor.authorMandlík Šimon
dc.date.accessioned2018-06-07T10:24:03Z
dc.date.available2018-06-07T10:24:03Z
dc.date.issued2018-06-05
dc.identifierKOS-695599597805
dc.identifier.urihttp://hdl.handle.net/10467/76129
dc.description.abstractInference hodnot neznámých náhodných proměnných v grafu je široce studovaný problém. Grafová reprezentace systému náhodných proměnných je méně svazující, protože do grafu můžou být zakódovány vztahy mezi proměnnými. Tento obecnější model ale získáváme za cenu toho, že některé běžné předpoklady přestávají platit, jako například podmínka nezávislých a stejně rozdělených vzorků, která se uplatňuje ve statistickém strojovém učení. Toto má za následek, že databáze použitelných metod a algoritmů je omezená a zpravidla nejsou poskytovány žádné záruky. Metod, které by umožňovaly jakoukoliv formu učení svých parametrů, je ještě méně. V této práci představíme nový formalismus pro úlohu inference nad grafickými modely a demonstrujeme jeho flexibilitu a obecnost v porovnání se staršími modely. Pro experimentální ověření našich tvrzení se pokusíme vyřešit úlohu klasifikace počítačových serverů jako škodlivých anebo neškodných, to vše pouze pomocí sledování síťového provozu a dodaného blacklistu známých hrozeb. Tuto úlohu jsme zformulovali pomocí nového formalismu a vzniklou metodu řešení implementovali. Rané experimenty ukazují, že tato metoda překonává patentovaný state-of-the-art algoritmus `Probabilistic threat propagation' a zároveň je více obecná.cze
dc.description.abstractThe task of inferring unknown random variables on a graph is a widely researched topic. Representing a system of random variables as a graphical model is less constraining as the graphs allow the capture of dependencies between random variables. The more general model comes at the cost of limited assumption set, for instance, i.i.d. assumption used in the classical statistical machine learning setting becomes invalid. As a result, the size of the knowledge base of algorithms for performing inference on graphical models is small, no guarantees are usually provided, and the number of inferential algorithms with learnable parameters is even lower. In this thesis, we propose a novel formalism for performing graph inference on graphical models. We show that the formalism embraces many inference procedures and is very general compared to the inflexible models of prior art. To demonstrate our claims we attempt to solve the problem of classifying unknown computer servers as malicious or benign based only on the network traffic and a blacklist of known malicious domains in the network. To accomplish this, we formulate the task in terms of the proposed formalism and implement the solution. Early experiments indicate that our method performs superiorly to the patented state-of-the-art Probabilistic threat propagation algorithm and at the same time is more general and offers greater flexibility.eng
dc.language.isoENG
dc.publisherČeské vysoké učení technické v Praze. Vypočetní a informační centrum.cze
dc.publisherCzech Technical University in Prague. Computing and Information Centre.eng
dc.rightsA university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.html.eng
dc.rightsVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html.cze
dc.subjectinference na grafu,Markov random fields,message passing inference,multi-instanční učení,neuronové sítě,Probabilistic threat propagation,počítačová bezpečnost,klasifikace škodlivých serverůcze
dc.subjectgraph inference,Markov random fields,message passing inference,multiple instance learning,neural networks,Probabilistic threat propagation,computer security,malicious server classificationeng
dc.titleInference na grafu reprezentující počítačovou síťcze
dc.titleInference on a Graph Representing a Computer Networkeng
dc.typeBAKALÁŘSKÁ PRÁCEcze
dc.typeBACHELOR THESISeng
dc.date.accepted
dc.contributor.refereeŠmídl Václav
theses.degree.disciplineInformatika a počítačové vědycze
theses.degree.grantorkatedra kybernetikycze
theses.degree.programmeOtevřená informatikacze


Files in this item





This item appears in the following Collection(s)

Show simple item record