Název: Reprezentace síťových toků s využitím neuronových sítí
Autoři: Pycz, Lukasz ; Jeřábek, Kamil (oponent) ; Poliakov, Daniel (vedoucí práce)
Typ dokumentu: Bakalářské práce
Rok: 2024
Jazyk: slo
Nakladatel: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstrakt: [slo] [eng]
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.
Klíčová slova: CESNET TLS22 Dataset; Contrastive Learning; Data Masking; Data Representation; Feature Extraction; Network Flow Analysis; Network Security; Neural Networks; PyTorch; Self-Supervised Learning; Unsupervised Learning

Instituce: Vysoké učení technické v Brně (web)
Informace o dostupnosti dokumentu: Plný text je dostupný v Digitální knihovně VUT.
Původní záznam: https://hdl.handle.net/11012/246950

Trvalý odkaz NUŠL: http://www.nusl.cz/ntk/nusl-619482


Záznam je zařazen do těchto sbírek:
Školství > Veřejné vysoké školy > Vysoké učení technické v Brně
Vysokoškolské kvalifikační práce > Bakalářské práce