Reprezentace síťových toků s využitím neuronových sítí

Simple item page
but.committeedoc. 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)cs
but.defenceStudent 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.cs
but.jazykslovenština (Slovak)
but.programInformační technologiecs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorPoliakov, Danielsk
dc.contributor.authorPycz, Lukaszsk
dc.contributor.refereeJeřábek, Kamilsk
dc.date.created2024cs
dc.description.abstractTáto 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.sk
dc.description.abstractThis 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.en
dc.description.markDcs
dc.identifier.citationPYCZ, L. Reprezentace síťových toků s využitím neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2024.cs
dc.identifier.other156745cs
dc.identifier.urihttp://hdl.handle.net/11012/246950
dc.language.isoskcs
dc.publisherVysoké učení technické v Brně. Fakulta informačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectSamo-riadené učeniesk
dc.subjectAnalýza sieťového tokusk
dc.subjectReprezentácia údajovsk
dc.subjectPyTorchsk
dc.subjectCESNET TLS22 Datasetsk
dc.subjectNeučené učeniesk
dc.subjectKontrastívne učeniesk
dc.subjectMaskovanie údajovsk
dc.subjectExtrakcia reprezentácii dátsk
dc.subjectSieťová bezpečnosťsk
dc.subjectNeurónové sietesk
dc.subjectSelf-Supervised Learningen
dc.subjectNetwork Flow Analysisen
dc.subjectData Representationen
dc.subjectPyTorchen
dc.subjectCESNET TLS22 Dataseten
dc.subjectUnsupervised Learningen
dc.subjectContrastive Learningen
dc.subjectData Maskingen
dc.subjectFeature Extractionen
dc.subjectNetwork Securityen
dc.subjectNeural Networksen
dc.titleReprezentace síťových toků s využitím neuronových sítísk
dc.typeTextcs
dc.type.driverbachelorThesisen
dc.type.evskpbakalářská prácecs
dcterms.dateAccepted2024-06-11cs
dcterms.modified2024-08-22-11:46:28cs
eprints.affiliatedInstitution.facultyFakulta informačních technologiícs
sync.item.dbid156745en
sync.item.dbtypeZPen
sync.item.insts2025.03.18 21:01:19en
sync.item.modts2025.01.17 14:39:03en
thesis.disciplineInformační technologiecs
thesis.grantorVysoké učení technické v Brně. Fakulta informačních technologií. Ústav informačních systémůcs
thesis.levelBakalářskýcs
thesis.nameBc.cs
Files
Original bundle
Now showing 1 - 2 of 2
Thumbnail Image
Name:
final-thesis.pdf
Size:
2.79 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
review_156745.html
Size:
9.54 KB
Format:
Hypertext Markup Language
Description:
file review_156745.html
Download
Collections
2024