Detekce anomálií v sítích

Abstract

Tato diplomová práce se zaobírá problematikou detekce anomálií v sítích. V teoretické části jsou sepsány metody, které využívající statistický přístup, až po metody strojového učení. Následně je vybrána jedna z popsaných metod. V rámci dané metody došlo ke zvolení dvou algoritmů, \textit{Isolation Forest} a \textit{Local Outlier Factor }. Bylo vytvořeno předzpracování dat v jazyce \textit{Python}, dále se přistoupilo k implementaci obou algoritmů za pomocí knihovny \textit{scikit-learn} nejdříve na syntetických a následně na reálných datech. V poslední fázi dochází k rozboru detekovaných síťových anomálií a diskuze nad dosaženými výsledky.

This diploma thesis deals with the topic of anomaly detection in telecommunication. In the theoretical background a review of methods is created dealing with anomaly detections in networks and a brief summary of telecommunication attacks. The most suitable method for the problem of anomaly detection is selected. Two algorithms (Isolation Forest and Local Outlier Factor) are selected for data processing. These algorithms are implemented using Python with help of a library scikit-learn. In the practical part, properties of the implemented methods are demonstrated using both synthetic and real datasets. An analysis of detected anomalies has been performed. In the end a discussion of the obtained results is provided.