but.committee	doc. Ing. Ondřej Ryšavý, Ph.D. (předseda) doc. Ing. Jan Kořenek, Ph.D. (místopředseda) doc. Ing. Vítězslav Beran, Ph.D. (člen) Ing. Bohuslav Křena, Ph.D. (člen) Ing. Filip Orság, Ph.D. (člen)	cs
but.defence	Studentka nejprve prezentovala výsledky, kterých dosáhla v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Studentka následně odpověděla na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studentky na položené otázky rozhodla práci hodnotit stupněm B. Otázky u obhajoby: Jak velké jsou standardně LEGIT/ATTACK pcap soubory dodané DDoS protectorem pro zpracování v rámci vaší metody? Jak dlouho trvá analýza těchto dat vaším algoritmem? Dokázal by daný algoritmus fungovat také z NetFlow/sFlow dat nebo je nutné vždy využít pcap? Vadil by uváděný 10% false positive rate reálnému nasazení?	cs
but.jazyk	angličtina (English)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Žádník, Martin	en
dc.contributor.author	Carasec, Elena	en
dc.contributor.referee	Grégr, Matěj	en
dc.date.created	2022	cs
dc.description.abstract	Tato práce se zabývá možností využití algoritmů strojového učení pro ochranu proti DDoS útokům. Pro klasické a inkrementální (online) učení jsou uvažovány vysvětlitelné metody učení s učitelem, zejména rozhodovací stromy. Dále jsou představeny některé možné optimalizace pro zvýšení přesnosti klasifikace provozu a snížení množství blokovaného legitimního provozu.	en
dc.description.abstract	This thesis discusses the possibility of using machine learning algorithms for DDoS protection. For classical and incremental (online) learning are considered explainable supervised learning methods, particularly decision trees. Furthermore, some possible optimisations are introduced to increase traffic classification accuracy and decrease the amount of blocked legitimate traffic.	cs
dc.description.mark	B	cs
dc.identifier.citation	CARASEC, E. Optimalizace odvozování DDoS filtračních pravidel [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2022.	cs
dc.identifier.other	145160	cs
dc.identifier.uri	http://hdl.handle.net/11012/207295
dc.language.iso	en	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	DDoS útok	en
dc.subject	filtrace	en
dc.subject	strojové učení	en
dc.subject	klasifikace	en
dc.subject	učení s učitelem	en
dc.subject	inkrementální učení	en
dc.subject	datový tok	en
dc.subject	rozhodovací strom	en
dc.subject	vysvětlitelná umělá inteligence.	en
dc.subject	DDoS attack	cs
dc.subject	filtration	cs
dc.subject	machine learning	cs
dc.subject	classification	cs
dc.subject	supervised learning	cs
dc.subject	incremental learning	cs
dc.subject	data stream	cs
dc.subject	decision tree	cs
dc.subject	Explainable AI (XAI).	cs
dc.title	Optimalizace odvozování DDoS filtračních pravidel	en
dc.title.alternative	Optimization of DDoS Mitigation Rule Inference	cs
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2022-06-16	cs
dcterms.modified	2022-06-20-10:22:58	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	145160	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:41:02	en
sync.item.modts	2025.01.15 22:55:10	en
thesis.discipline	Informační technologie	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačových systémů	cs
thesis.level	Bakalářský	cs
thesis.name	Bc.	cs

Optimalizace odvozování DDoS filtračních pravidel

Files

Original bundle

Collections