Original title: Využití autoenkodérů pro identifikaci aplikací v síťovém provozu
Authors: Kudla, Samuel ; Hranický, Radek (referee) ; Burgetová, Ivana (advisor)
Document type: Bachelor's theses
Year: 2026
Language: slo
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [slo] [eng]
Táto práca skúma možnosti využitia autoenkodérov pre identifikáciu aplikácií v šifrovanom TLS prenose pomocou vhodnej a efektívnej reprezentácie aplikácií na základe TLS parametrov v zakódovanej podobe. Práca predstavuje viaceré topológie modelov autoenkodérov, ktoré boli implementované v jazyku Python pomocou knižnice PyTorch. Prevedením rôznych experimentov so štruktúrou modelového systému sa podarilo ukázať, že s využitím autoenkodérov je možné dosiahnuť vysokú mieru senzitívnosti na vybranú aplikáciu (nad 90 %) a solídnu objektívnosť (MCC nad 0,5), avšak s nižšou presnosťou pozitívnych predikcií (približne pod 50 %). Hlavným zistením práce je, že pri extrakcii kľúčových parametrov z TLS prenosu je možné efektívne využiť neurónové siete (konkrétne autoenkodéry) pri detegovaní aplikácií bez poznania ich šifrovaného obsahu. This thesis explores the possibilities of using autoencoders to identify applications within encrypted TLS traffic by using a suitable and efficient representation of applications based on TLS parameters in a coded form. The work presents various autoencoder model topologies implemented in the Python language using the PyTorch library. By conducting various experiments with he structure of the model system, it was demonstrated that using autoencoders can achieve a high level of sensitivity for a selected application (above 90 %), with solid objectivity (MCC above 0,5), although with lower precision of positive predictions (approximately below 50 %). The main finding of the work is that by extracting key parameters from TLS transmission, neural networks (specifically autoencoders) can be effectively utilized to detect applications without knowledge of their encrypted data content.
Keywords: autoencoders; binary classification; data embedding; Identification; machine learning; multiclass classification; neural networks; TLS Client Hello; TLS connection

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/11012/258818

Permalink: http://www.nusl.cz/ntk/nusl-775220


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Bachelor's theses