Original title:
Analýza časových řad
Translated title:
Time Series Analysis
Authors:
Budai, Samuel ; Bartík, Vladimír (referee) ; Burgetová, Ivana (advisor) Document type: Bachelor's theses
Year:
2023
Language:
slo Publisher:
Vysoké učení technické v Brně. Fakulta informačních technologií Abstract:
[slo][eng]
Táto práca rieši problematiku analýzy časových radov a jej využitie pri detekcii anomálií v priemyselných sieťach. Pre tvorbu modelov predikcie boli v riešení použité algoritmy AR-X, ARIMA, SARIMA, Random Forest, Facebook Prophet a XGB Boost. Okrem toho práca zahŕňa implementáciu algoritmu pre detekciu anomálií z modelov predikcií ako aj riešenie problematiky vysokej sezónnej periódy v prípade algoritmu SARIMA. Vykonaným výskumom sa zistilo, že za použitia vybraných algoritmov je možné predikovať priemyselnú premávku za účelom detekcie, v rámci ktorej sa podarilo odhaliť až 90% útokov. Rovnako práca prináša riešenie vysokej sezónnej periódy za použitia parciálnych časových radov. Tieto výsledky umožňujú experimentálnu integráciu detekcie na základe predikcií do reálnych priemyselných sietí.
This thesis deals with the issue of time series analysis and its use in the detection of anomalies in industrial networks. AR-X, ARIMA, SARIMA, Random Forest, Facebook Prophet and XGB Boost algorithms were used in the solution to create prediction models. In addition, the work includes the implementation of an algorithm for detecting anomalies from prediction models as well as solving the problem of high seasonal period in the case of the SARIMA algorithm. Through the conducted research, it was found that with the use of selected algorithms, it is possible to predict industrial traffic for the purpose of detection, within which up to 90% of attacks were detected. The work also provides a solution to a high seasonal period using partial time series. These results allow the experimental integration of prediction-based detection into real industrial networks.
Keywords:
anomaly detection in time series; AR-X; ARIMA; attack detection in network traffic; Facebook Prophet; Random Forest; SARIMA; time series; time series analysis; time series forecasting; XGB Boost
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: http://hdl.handle.net/11012/210523