ČOČEK, J. Klasifikace síťového provozu pomocí contrastive learning [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2025.
Práce byla složitějšího rázu vzhledem k souvislosti s aktuálně řešenou vědeckou problematikou v oblasti klasifikace síťového provozu. Práci hodnotím pozitivně jak z pohledu přístupu studenta tak z pohledu dosažených prezentovaných výsledků. Student k práci přistupoval samostatně a aktivně což pomohlo práci posouvat na efektivních setkáních v průběhu celého semestru kde student docházel vždy připraven s relevantními dotazy a připomínkami. Navrhuji výsledné hodnoceni A.
| Kritérium | Známka | Body | Slovní hodnocení |
|---|---|---|---|
| Informace k zadání | Jedná se o složitější zadání kdy student musel nastudovat, pochopit a převést do praxe problematiku kontrastivního učení v oblasti počítačových sítí. Nejen, že bylo potřeba replikovat a srovnat se s metodologií v zadaných článcích, navíc bylo potřeba na tento problém napasovat odlišnou metodogii a způsob vyhodnocení. Studentovi se výše zmíněné povedlo a s dosaženými výsledky jsem spokojen. | ||
| Práce s literaturou | Student přistupoval aktivně jak ke studiu navržené literatury tak k dohledávání dalších relevantních zdrojů souvisejících s prací. | ||
| Aktivita během řešení, konzultace, komunikace | Student byl během celého roku aktivní a pravidelně konzultoval. Na konzultace byl vždy připraven což velmi přispívalo k jejich efektivitě. | ||
| Aktivita při dokončování | Práce byla dokončena před odevzdáním se zapracovanými připomínkami vedoucího. | ||
| Publikační činnost, ocenění | Práce je psána v anglickém jazyce a rozšiřuje poznatky existující aktuální vědecké literatury a je tedy možné na ni po zveřejnění navázat. Zdrojové kódy jsou dostupné veřejně a k dispozici pro případnou replikaci a navázání na ně. |
Předložená bakalářská práce se zabývá netriviální oblastí využití kontrastivního učení pro klasifikaci síťového provozu. Student se s tímto zadáním vypořádal velmi dobře. Realizační výstup je plně funkční a technickou zprávu hodnotím jako mírně nadprůměrnou. Proto hodnotím práci stupněm B.
| Kritérium | Známka | Body | Slovní hodnocení |
|---|---|---|---|
| Náročnost zadání | Cílem práce bylo reprodukovat experimenty provedené v doporučených pracích a využít publikované postupy také na další datasety. Experimenty se týkaly využití kontrastivního učení pro klasifikaci síťového provozu. Student musel nastudovat a natrénovat netriviální neuronovou síť a vhodným způsobem také připravit data pro tuto síť. Vzhledem ke všem těmto aspektům považuji zadání bakalářské práce ze mírně obtížnější. | ||
| Rozsah splnění požadavků zadání | Zadání bylo splněno v plném rozsahu. | ||
| Rozsah technické zprávy | |||
| Prezentační úroveň technické zprávy | 78 | Prezentační úroveň technické zprávy je dobrá, jednotlivé kapitoly na sebe dobře navazují a pochopitelnost textu je dobrá. Lepšímu hodnocení brání to, že obrázky a tabulky nejsou dobře odkazovány z textu práce a občas v textu chybí zajímavé informace (např. v kapitolách 4.1.4 a 4.1.5 není jasné, čemu odpovídají cílové třídy). | |
| Formální úprava technické zprávy | 88 | Z jazykového hlediska se jedná o kvalitní práci s minimem chyb. Po typografické stránce je práce také v pořádku. | |
| Práce s literaturou | 85 | Výběr studijních pramenů je dobrý, vybrané zdroje dobře pokrývají řešenou problematiku. Převzaté prvky jsou řádně odlišeny od vlastních výsledků a úvah. Jediným zádrhelem je uvedení špatného zdroje v úvodu kapitoly 5, kde student uvedl jiný odkaz než odkaz na referenční práci. | |
| Realizační výstup | 90 | V rámci realizačního výstupu student vytvořil sadu skriptů a jupyter notebooků, které slouží k trénování neuronové sítě pro klasifikaci síťového provozu založené na kontrastivním učení. Realizační výstup je plně funkční, avšak vyžaduje použití knihovny FlowMind vyvíjené na FIT, která zatím není veřejně dostupná. V rámci práce student také provedl řadu experimentů s navrženým modelem a několika dostupnými datasety. Pro datasety použité v referenční práci se studentovi podařilo dosáhnout srovnatelných výsledků. | |
| Využitelnost výsledků | Jedná se o práci rozšiřující publikované výsledky. Student aplikoval publikované postupy klasifikace síťového provozu na nové datasety. Zajímavým přínosem této práce je potom také vyhodnocení možnosti předtrénování používaného modelu na datové sadě organizace CESNET a jeho dotrénování na dalších konkrétních menších datasetech. I když tento postup není výhodný pro všechny datasety, u některých vedl k výraznému zvýšení přesnosti. |
eVSKP id 163746