Efektivní a vysvětlitelné neuronové sítě pomocí automatového učení

Abstract

Tato práce zkoumá možnost využití neurálních sítí pro detekci anomálií v síťovém provozu. Konkrétně je zkoumána možnost převedení pravděpodobnostního deterministického automatu do modelu neurální sítě a rozšířit analýzou dalších parametrů síťové komunikace. Protože se v předchozích experimentech pouhé neurální sítě ukázali jako srovnatelně přesná metoda detekce, ale výrazně pomalejší v učení nových modelů. Převedení automatu do modelu neurální sítě bylo úspěšně provedeno. Přidáním neurální sítě k automatu paralelně k automatu nám umožní analyzovat parametry síťového provozu, které by automat samotný nebyl schopen správně analyzovat.

This thesis explores the possibility of using neural networks in network anomaly detection. Specifically the option of converting probabilistic deterministic automaton to neural network model and expanding it to analyse additional network communication parameters. Because our previous experiments showed that pure neural networks were a comparable detection method, accuracy-wise, but were significantly slower to learn new models. The conversion of the automaton to a neural network model was successfully completed. By adding the neural network in parallel to the automaton, we can analyse communication parameters that the automaton alone could not analyse correctly.