Detekce anomálií v sítích
Anomaly Detection in Networks
Typ dokumentu
diplomová prácemaster thesis
Autor
Jiří Anděra
Vedoucí práce
Mařík Radek
Oponent práce
Drchal Jan
Studijní obor
Komunikační sítě a internetStudijní program
Elektronika a komunikaceInstituce přidělující hodnost
katedra telekomunikační technikyPráva
A 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.htmlVysokoškolská 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
Metadata
Zobrazit celý záznamAbstrakt
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.
Kolekce
- Diplomové práce - 13132 [275]