Automatická detekce nebezpečných aktivit ve vnitřní síti

Abstract

Práce se zabývá automatickou detekcí škodlivého chování na vnitřní síti, srovnává nejnovější metody pro detekci. Praktická část je zaměřená na detekci útoků hrubou silou pomocí strojového učení bez učitele. Navrhované řešení bylo odzkoušenu na datové sadě, z dřívěji použitého algoritmu v infrastruktuře firmy Showmax. Citlivostní analýza ukázala, že řešení může být použito v infrastruktuře Showmax.

The thesis focuses on automatic detection of malicious activity in the internal network. The subject literature is reviewed, with emphasis on unsupervised anomaly detection methods. The proposed algorithm was evaluated against a threshold-based algorithm used at Showmax, on the same dataset. Sensitivity analysis has been performed and supports the idea of applying the algorithm on Showmax's infrastructure.