Reprezentace síťových toků s využitím neuronových sítí
Loading...
Date
Authors
Pycz, Lukasz
ORCID
Advisor
Referee
Mark
D
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Táto bakalárska práca skúma aplikáciu metód samo-riadeného učenia (SSL) ako je maskovanie dát, miešanie poradia dát a využitie kontrastného učenia, na extrakciu zmysluplných reprezentácií z údajov o sieťovom toku, konkrétne s využitím datasetu CESNET TLS22 z CESNET DataZoo. Hlavným cieľom je vyvinúť robustné modely, ktoré zlepšia pochopenie a analýzu sieťových tokov prostredníctvom efektívneho učenia reprezentácie bez závislosti na označených údajoch. Výskum využíva výpočtový rámec PyTorch na návrh, tréning a hodnotenie výkonnosti modelov.
This thesis explores the application of self-supervised learning (SSL) methods such as data masking, data order shuffling, and contrastive learning, to extract meaningful representations from network flow data, specifically using the CESNET TLS22 dataset from CESNET DataZoo. The main goal is to develop a robust model that improves the understanding and analysis of network flows through effective representation learning without relying on labeled data. The research utilizes the PyTorch computational framework for designing, training, and evaluating the performance of the model.
This thesis explores the application of self-supervised learning (SSL) methods such as data masking, data order shuffling, and contrastive learning, to extract meaningful representations from network flow data, specifically using the CESNET TLS22 dataset from CESNET DataZoo. The main goal is to develop a robust model that improves the understanding and analysis of network flows through effective representation learning without relying on labeled data. The research utilizes the PyTorch computational framework for designing, training, and evaluating the performance of the model.
Description
Keywords
Samo-riadené učenie, Analýza sieťového toku, Reprezentácia údajov, PyTorch, CESNET TLS22 Dataset, Neučené učenie, Kontrastívne učenie, Maskovanie údajov, Extrakcia reprezentácii dát, Sieťová bezpečnosť, Neurónové siete, Self-Supervised Learning, Network Flow Analysis, Data Representation, PyTorch, CESNET TLS22 Dataset, Unsupervised Learning, Contrastive Learning, Data Masking, Feature Extraction, Network Security, Neural Networks
Citation
PYCZ, L. Reprezentace síťových toků s využitím neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2024.
Document type
Document version
Date of access to the full text
Language of document
sk
Study field
Informační technologie
Comittee
doc. RNDr. Pavel Smrž, Ph.D. (předseda)
Ing. Aleš Smrčka, Ph.D. (člen)
Ing. Zbyněk Křivka, Ph.D. (člen)
Ing. Jaroslav Rozman, Ph.D. (člen)
doc. Ing. Jan Kořenek, Ph.D. (člen)
Date of acceptance
2024-06-11
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm D.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení