|
|
Comparative aAnalysis of Unsupervised Anomaly Detection Methods for Credit Card Fraud Detection
Jůzová, Anna ; Červinka, Michal (vedoucí práce) ; Janásek, Lukáš (oponent)
V posledních letech roste se zvyšujícím se počtem bezhotovostních a on- line plateb i množství podvodných transakcí, jejichž detekce představuje pro fnanční instituce značnou výzvu. Jako slibný nástroj se v této oblasti pro- fluje strojové učení. Tato práce se zaměřuje na modely strojového učení pro detekci anomálií, konkrétně Isolation Forest, Local Outlier Factor a One-Class Support Vector Machine, které identifkují podvodné platby na základě jejich odlišnosti od již proběhlých legitimních transakcí a jimž v dosavadním výzkumu nebyla v tomto oboru věnována dostatečná pozornost. Aby bylo dosaženo co nejlepších výsledků, data jsou normalizována pomocí několika různých normali- začních technik a pro každý model strojového učení je hledána ta nejvhodnější. Nejlepších výsledků dosahuje mezi testovanými modely Local Outlier Factor s daty normalizovanými metodou min-max. Klasifkace JEL C49, G21, K42 Klíčová slova podvod s platebními kartami, strojové učení, detekce anomálií, normalizace dat Název práce Srovnávací analýza nesupervizovaných metod detekce anomálií pro detekci podvodů s platebními kartami E-mail autora anna.juzova11@gmail.com E-mail vedoucího práce michal.cervinka@fsv.cuni.cz
|
|
|
Detekce a mitigace DDoS útoků
Brázda, Mikuláš ; Hranický, Radek (oponent) ; Žádník, Martin (vedoucí práce)
Tato práce se zabývá detekcí DDoS útoků v síťové infrastruktuře CESNET3, využívající analýzy NetFlow záznamů. S ohledem na dynamickou povahu síťového provozu přistupuje k datům jako k nekonečnému proudu. K uchování a efektivnímu zpracování velkého objemu dat využívá metodu sketche, která umožňuje kompaktní reprezentaci dat bez ztráty klíčových informací o síťovém provozu. Jádrem detekčního mechanismu je adaptivní algoritmus CUSUM, který kumuluje odchylky od dlouhodobého klouzavého průměru. Při překročení prahové hodnoty je vyhlášen poplach. Modul byl otestován na datech z reálné sítě s různým nastavením parametrů pro demonstraci jeho vlastností. Implementovaný modul je součástí systému NEMEA.
|
|
|
Detekce škodlivosti komunikačních partnerů a jejich sítí
Kučera, Rostislav ; Homoliak, Ivan (oponent) ; Očenášek, Pavel (vedoucí práce)
S rostoucí závislostí populace na elektronických zařízeních, roste také riziko ztráty nebo zneužití dat. Se zvyšujícím se množstvím útoků v počítačových sítích, nabírají systémy pro detekci škodlivého provozu na důležitosti. Cílem této práce je teoretický rozbor a implementace modulů pro detekci maligní počítačové komunikace pomocí metod strojového učení, konkrétně pomocí modelu neuronové sítě, a statistické analýzy, které jsou nasazeny v rámci rozšířeného systému pro detekci průniku Snort.
|
|
|
Rating Log Events using Reputation and Anomaly Scores
Zbořil, Jan ; Burgetová, Ivana (oponent) ; Matoušek, Petr (vedoucí práce)
The current amount of data flowing through computer networks cannot be monitored by individuals. This data is also being saved by IDS or IPS systems to logs, which grow ever faster. The goal is thus to automatically reduce the amount of such logs, for them to contain only the most valuable information. Rating scores, such as anomaly score or a reputation scores, are valid metrics for determining whether the information (i.e., log event) is valuable or not. The goal of this thesis is to explore the current state of methods used for anomaly detection and reputation scoring. And to propose a solution on how to use data captured in the logs of network analysers like Suricata to detect anomalies in the traffic and score network nodes. A complete solution from data processing, scoring using methods for computation of reputation score and anomaly detection, and result interpretation, is developed and demonstrated on real-world data. A way of reducing the amount of log events by using the calculated scores is demonstrated. A resulting method of combining both scores to automatically rate the log events is demonstrated and explained on examples of the real scored data. Possible future uses of the results are discussed.
|
|
|
Automatic Tire Inspection Using Surface Scans
Toth Vaňo, Pavol ; Materna, Zdeněk (oponent) ; Španěl, Michal (vedoucí práce)
This thesis deals with automatic detection of defects on tire treads using their depth scans. The approach proposed in the thesis doesn’t require a faultless reference tire for the inspected tire. The first step is the detection of anomalies, which is done using a modification of the PatchCore method proposed in the thesis, taking advantage of the repetition of patterns on the tire tread. Subsequently, anomalies corresponding to special elements on the tire are detected using the deep neural networks Faster R-CNN and Deep Hough transform, and they are filtered out. Applying the proposed approach on the prepared dataset, the value 0.584 of Average Precision metric for detection was obtained. The biggest weakness of the proposed method is its limited ability to detect defects with a very small depth.
|
|
|
Detekce povrchových defektů kovových dílů pomocí neuronových sítí
Hadwiger, Tomáš ; Jonák, Martin (oponent) ; Ježek, Štěpán (vedoucí práce)
Tato práce je zaměřená na problematiku detekci povrchových anomálií na kovových dílech. Cílem bylo implementovat různé architektury neuronových sítí s použitím metody CutPaste a poměřit jejich výsledky na třídách tří různých datových množin: MVTec AD, MPDD a MPDD2. Pro třídy objektů množiny MVTeC AD se ukázala jako nejpřesnější architektura ResNet-18 s přesností 84,45 AUROC, pro materiály to byla architektura EfficientNet s průměrnou přesností 87,22 AUROC. Pro množiny MPDD a MPDD2 byla naměřena jako nejpřesnější architektura ResNet50 s průměrnou přesností 88,64 a 61,10 AUROC. Podle naměřených hodnot je množina MPDD2 nejtěžší pro detekci anomálií.
|
|
| |
|
| |
|
|
Forenzní metoda rozpoznávání originality uměleckých děl s pomocí multispektrální analýzy
Lánský, David ; Mezina, Anzhelika (oponent) ; Burget, Radim (vedoucí práce)
Odhalování falzifikátů je zásadní pro ochranu trhu s uměním a zachování autentičnosti uměleckých děl. Tato práce se věnuje detekci falzifikátů, a to s využitím konvolučních neuronových sítí (CNN). Hlavním cílem bylo vyvinout pokročilé metody, které jsou schopné identifikovat anomálie v malbách za účelem potvrzení pravosti či prokázání falzifikátu. V rámci tohoto výzkumu byly aplikovány architektury U-net a techniky binární sémantické segmentace, které výrazně zpřesňují relevanci detekovaných oblastí. Hlavním přínosem práce je 112 modelů čtyř různých architektur U-net a U-net++, které metodou binární sémantické segmentace efektivně zdůrazňují anomálie. Modely byly natrénovány na souboru obrazů s jejich synteticky vytvořenými rentgenovými snímky a uměle generovanými anomáliemi. Modely jsou tímto způsobem schopné detekovat olovnaté skvrny, hřebíky, vrstvy skrytých maleb, defekty, zatímco zároveň dokáží ignorovat nevýznamné prvky, jako jsou rámy obrazů a přeexponované rentgenové snímky. Testování modelů probíhalo ve dvou fázích. V první fázi byly hodnoceny pomocí metriky IoU na množině 400 synteticky generovaných dat, kde v nejlepších případech dosahovaly až 83,5 % IoU. V druhé fázi byly hodnoceny subjektivním způsobem na obrazech se skutečnými rentgeny a přirozenými anomáliemi. Tento přístup kombinuje tradiční rentgenové techniky s moderním počítačovým viděním, čímž odhaluje odchylky, které by mohly být přehlédnuty při standardní vizuální inspekci. Tímto přínosným spojením technologií práce otevírá nové možnosti pro ochranu uměleckých sbírek a poskytuje solidní základ pro další výzkum v oblasti detekce falzifikátů uměleckých děl pomocí umělé inteligence.
|
|
|
Vizuální detekce anomálií v průmyslové výrobě
Hrabica, Jan ; Richter, Miloslav (oponent) ; Horák, Karel (vedoucí práce)
Tato práce pojednává o problematice unárních klasifikátorů pro detekci anomálií v průmyslové výrobě. V úvodu je rozebrána klasifikace jako obecný problém, metody klasifikace a některé jejich hodnocení a následně jsou rozebrány hlavní kategorie používaných architektur. V praktické části je popsán proces tvorby scény a následné pořizování datasetu. Vytvořený dataset je použit na naučení klasifikátoru, na kterém jsou v závěru práce provedeny různé experimenty za účelem odhadu výkonnosti.
|
host ::
RSS.