|
|
Efektivní detekce síťových anomálií s využitím DNS dat
Fomiczew, Jiří ; Žádník, Martin (oponent) ; Kováčik, Michal (vedoucí práce)
Tato práce se zabývá návrhem a implementací systému pro efektivní detekci síťových anomálií s využitím DNS dat. Zvýšení efektivity detekčního systému je dosaženo kombinací více spolupracujících detektorů a různých detekčních technik. Vstupní data detekčního systému představují data o síťových tocích a paketech ve formátech NetFlow, IPFIX a pcap. Hlavní důraz je kladen na detekci tunelování přes DNS. Práce také obsahuje popis Systému doménových jmen (DNS) a anomálií s ním spojených.
|
|
|
Parametrizace síťových útoků
Jelínek, Michael ; Sikora, Pavel (oponent) ; Blažek, Petr (vedoucí práce)
Bakalářská práce se věnuje definování vhodných parametrů pro identifikaci síťových útoků za pomoci neuronových sítí. V teoretické části jsou rozebrány metody detekce anomálií v síťové komunikaci, struktura umělé neuronové sítě a DDoS útoky použité pro ověření detekčních schopností. Praktická část se zaměřuje na postup přípravy dat, jejich následnou implementaci do neuronové sítě a shrnutí dosažených výsledků při různě nastavených vlastnostech neuronové sítě.
|
|
|
Strojové učení z dat systémů pro detekci síťového průniku
Dostál, Michal ; Očenášek, Pavel (oponent) ; Hranický, Radek (vedoucí práce)
Aktuální stav nástrojů pro detekci síťového průniku je nedostačující, protože tyto nástroje často fungují na základě statických pravidel a nevyužívají potenciál umělé inteligence. Cílem této práce je rozšířit open-source nástroj Snort o schopnost detekovat škodlivý síťový provoz pomocí strojového učení. Pro dosažení kvalitního klasifikátoru byly zvoleny užitečné příznaky síťového toku, které byly získány z výstupních dat aplikace Snort. Následně byly tyto toky obohaceny a označeny odpovídajícími událostmi. Experimenty vykazují velmi dobré výsledky nejenom při klasifikaci na testovacích datech, ale také v rychlosti zpracování. Z~navrženého přístupu a samotných experimentů vyplývá, že tento nový přístup by mohl vykazovat dobrou úspěšnost i při práci s reálnými daty.
|
|
|
Anomaly Detection by IDS Systems
Gawron, Johann Adam ; Homoliak, Ivan (oponent) ; Očenášek, Pavel (vedoucí práce)
The goal of this thesis is to familiarize myself, and the reader, with the issues surrounding anomaly detection in network traffic using artificial inteligence. To propose and subsequently implement a methodology for creating an anomaly classifier for network communication profiles. The classification method should be able to efficiently and accurately identify anomalies in network traffic to avoid generating false outputs. During the research of the issue, IDS systems, various types of attacks, and approaches to anomaly detection and classification were examined. In evaluating the effectiveness, several standard methods were examined and used to express the quality of classifiers.
|
|
|
Anomálie kapitálového trhu
ALEŠ, Petr
Diplomová práce řeší problematiku anomálií na kapitálových trzích. Pomocí statistického testování dat pěti společností na americké akciové burze NASDAQ se snaží o prokázání či vyvrácení jejich výskytu na tomto trhu.
|
|
|
Mispricing in leveraged value small-capitalization stocks
Picálek, Jan ; Hronec, Martin (vedoucí práce) ; Novák, Jiří (oponent)
Zkoumáme výnosy hodnotových akcií s vysokým zadlužením a nízkou tržní kap- italizací, tj. akcií s historicky značnou expozicí vůči běžným rizikovým fak- torům. Za použití strojového učení vybíráme z množiny těchto rizikových akcií ty, jež by se měly v budoucnu nadměrně zhodnotit. V rámci této strategie zohledňujeme 34 akciových charakteristik a predikujeme budoucí výnosy jed- notlivých akcií, na jejichž základě pak každý měsíc sestavujeme long-short port- folio. Nadměrná výnosnost strategie 0.42% za měsíc i přes úpravu o riziko na testovacím vzorku dat ukazuje, že chybné ocenění je statisticky signifikantní. Použitý algoritmus strojového učení se učil na množině hodnotových akciích s vysokým dluhem a nízkou tržní kapitalizací, a zachycuje vztahy specifické pro tuto množinu, včetně vztahů nelineárních a interakcí jednotlivých proměnných. Tyto nelineární vztahy a prediktivní schopnost jednotlivých proměnných jsou extrahovány a následně i prezentovány. Mezi mírou chybného ocenění a kred- itními cykly či tržní volatilitou jsme nenašli žádnou spojitost. Klasifikace JEL G11, G12, G14, Klíčová slova Anomálie, Prediktabilita výnosů, Testy oceňovacích modelů, Zadlužené společnosti,...
|
|
|
Multi-horizon equity returns predictability via machine learning
Nechvátalová, Lenka ; Baruník, Jozef (vedoucí práce) ; Krištoufek, Ladislav (oponent)
Pomocí strojového učení zkoumáme předvídatelnost očekávaných výnosů ak- cií na různých horizontech. Používáme neuronové sítě a rozhodovací stromy s využitím boostingu na datech ze Spojených států a z vyspělých zemí. Předví- datelnost výnosů klesá se zvyšujícím se horizontem predikce při použití neurál- ních sítí. Dokumentujeme výnosnost long-short portfolií, které byly vytvořeny z predikcí kumulativních výnosů na různých horizontech. Odhadujeme transakční náklady a ukazujeme výnosnost portfolií i po započtení transakčních nák- ladů. Zajímá nás porovnání mezi vyššími transakčními náklady způsobenými častějším rebalancováním portfolia a vyššími výnosy na kratších horizontech. Ukazujeme, že prodloužení predikčního horizontu a zároveň rebalancovací frek- vence zvyšuje v USA po započtení transakčních nákladů rizikově vážené výnosy. Kombinujeme predikce očekávaných výnosů z různých horizontů pomocí metod double sort a buy/hold spread. Použití metody double sort výrazně zvyšuje v USA výnosnost. Použití buy/hold spread metody na snižování obratu portfolia má v USA lepší rizikově váženou výnosnost. Klasifikace JEL G11, G12, G15, C55 Klíčová slova Strojové učení, oceňování aktiv, predikta- bilita na horizontech, anomálie Název práce Prediktabilita výnosů akcií pomocí stro- jového učení
|
|
| |
|
|
Parametrizace síťových útoků
Jelínek, Michael ; Sikora, Pavel (oponent) ; Blažek, Petr (vedoucí práce)
Bakalářská práce se věnuje definování vhodných parametrů pro identifikaci síťových útoků za pomoci neuronových sítí. V teoretické části jsou rozebrány metody detekce anomálií v síťové komunikaci, struktura umělé neuronové sítě a DDoS útoky použité pro ověření detekčních schopností. Praktická část se zaměřuje na postup přípravy dat, jejich následnou implementaci do neuronové sítě a shrnutí dosažených výsledků při různě nastavených vlastnostech neuronové sítě.
|
|
| |
host ::
RSS.