Klasifikace síťového provozu pomocí contrastive learning

Abstract

Tato bakalářská práce se zaměřuje na klasifikaci síťového provozu pomocí kontrastivního učení pomocí metody SimCLR. Jelikož je tato metoda určená pro klasifikaci obrazových dat, síťové toky jsou převedeny do obrazové reprezentace nazývané FlowPic. Cílem je replikovat výsledky dosažené v referenční práci a rozšířit ji o další datové sady a obecně vetší počet vzorků. Model je ověřen také na datové sadě z reálné sítě vytvořené sdružením CESNET.

This bachelor’s thesis focuses on network traffic classification using contrastive learning, specifically the SimCLR method. Since this method is designed for image classification tasks, network flows are transformed into an image-based representation known as FlowPic. The objective is to replicate the results achieved in the reference work and extend them by incorporating additional datasets and a generally larger number of samples. The model is also validated on a real-world dataset collected from a production network operated by the CESNET association.