|
|
Anomaly Detection in System Log Files Using Machine Learning
Moresová, Eva ; Burgetová, Ivana (oponent) ; Matoušek, Petr (vedoucí práce)
Log anomaly detection is an important process that can help prevent or detect system failures, intrusion attempts and other malicious behavior. However, modern systems produce amounts of log data far beyond what is possible to analyze manually. That is why a variety of automated methods were developed for this purpose, ranging from rule based techniques to approaches using deep learning. The aim of this thesis is to compare several log anomaly detection methods to determine which one is the best suited for application on large real-world log files, represented by a collection of logs from production AAA (authentication, authorization, accounting) servers provided by AT&T. Apart from AT&T logs, the methods were applied to and evaluated on two other labeled datasets, one of which was enriched by synthetically generated anomalies. This thesis adopts three unsupervised anomaly detection methods: Local Outlier Factor, DBSCAN clustering and an OPTICS-based framework. The former two examine the logs on a sample-level, while the latter analyzes entire log sequences. All methods achieved results comparable to works with similar approaches.
|
|
|
Aplikace metody učení bez učitele na hledání podobných grafů
Sabo, Jozef ; Burgetová, Ivana (oponent) ; Křivka, Zbyněk (vedoucí práce)
Cieľom tejto diplomovej práce bolo v spolupráci s firmou Avast navrhnúť systém, ktorý dokáže dolovať znalosti z databázy grafov pomocou metód učenia bez učiteľa. Grafy, určené pre dolovanie, popisujú chovanie počítačových systémov a do databázy prichádzajú anonymne od používateľov softvérových produktov firmy. Grafom v databáze je možné priradiť jednu z dvoch tried: čistý graf alebo malware (škodlivý) graf. Úlohou navrhnutého samoučiacieho systému je nad grafovou databázou nájsť zhluky grafov, v ktorých sa triedy grafov nemiešajú. Zhluky grafov, v ktorých sa nachádza iba jedna trieda grafov, sa dajú interpretovať ako rôzne typy čistých alebo malware grafov a sú užitočným zdrojom ďalších analýz nad grafmi. Pre ohodnotenie kvality zhlukov bola navrhnutá vlastná metrika pomenovaná ako jednofarebnosť. Metrika hodnotí kvalitu zhlukov na základe toho ako veľmi sa v zhlukoch miešajú čisté a malware grafy. Najlepšie výsledky metrika dosiahla, keď boli vektorové reprezentácie grafov vytvorené modelom hlbokého učenia (variačným grafovým autoenkodérom s dvomi relačnými grafovými konvolučnými operátormi) a pre zhlukovanie nad vektormi bola použitá bezparametrická metóda MeanShift.
|
|
|
Akcelerace neurostimulace pomocí metod umělé inteligence
Gaňo, Martin ; Chlebík, Jakub (oponent) ; Jaroš, Jiří (vedoucí práce)
Léčba pomocí transkraniálního ultrazvuku je rychle se rozvíjející doménou medicíny. Tato metoda přináší možnosti neinvazivní mozkové terapie, včetně ablace, neuromodulace nebo potenciálního otevření hematoencefalické bariéry pro následující léčbu. Zdravotník potřebuje neustále dostávat zpětnou vazbu o ultrazvukovém vlnovém poli v lidské lebce v reálném čase, aby mohl pomocí těchto technik provést léčbu. Tradiční metody pro simulaci monochromních ultrazvukových vln jsou výpočetně příliš drahé. Jejich použití by proto bylo pro tyto účely neproveditelné a přináší to potřebu alternativních metod.Tato práce navrhla a implementovala metodu řešení Helmholtzovy rovnice ve 3D prostoru pomocí neuronové sítě dosahující vyšší rychlosti konvergence. Návrh neuronové sítě využívá odlehčenou architekturu založenou na UNet. Hlavním předmětem zájmu této práce je neuromodulace, protože v této aplikaci je možné ignorovat několik proměnných a jevů, které by v jiných případech nebyly zanedbatelné. Jejich vynecháním z výpočtů se zvýšila šance na provedení výpočtů v rozumném čase. Tato metoda je plně bez dozoru a používá výhradně uměle generované sférických harmonik a fyzikální ztráty pro trénink, bez nutnosti anotovaných dat. Výsledky ukázaly rychlejší výpočet s přijatelnou chybou než jiné tradiční metody.
|
|
|
Akcelerace neurostimulace pomocí metod umělé inteligence
Gaňo, Martin ; Chlebík, Jakub (oponent) ; Jaroš, Jiří (vedoucí práce)
Léčba pomocí transkraniálního ultrazvuku je rychle se rozvíjející doménou medicíny. Tato metoda přináší možnosti neinvazivní mozkové terapie, včetně ablace, neuromodulace nebo potenciálního otevření hematoencefalické bariéry pro následující léčbu. Zdravotník potřebuje neustále dostávat zpětnou vazbu o ultrazvukovém vlnovém poli v lidské lebce v reálném čase, aby mohl pomocí těchto technik provést léčbu. Tradiční metody pro simulaci monochromních ultrazvukových vln jsou výpočetně příliš drahé. Jejich použití by proto bylo pro tyto účely neproveditelné a přináší to potřebu alternativních metod.Tato práce navrhla a implementovala metodu řešení Helmholtzovy rovnice ve 3D prostoru pomocí neuronové sítě dosahující vyšší rychlosti konvergence. Návrh neuronové sítě využívá odlehčenou architekturu založenou na UNet. Hlavním předmětem zájmu této práce je neuromodulace, protože v této aplikaci je možné ignorovat několik proměnných a jevů, které by v jiných případech nebyly zanedbatelné. Jejich vynecháním z výpočtů se zvýšila šance na provedení výpočtů v rozumném čase. Tato metoda je plně bez dozoru a používá výhradně uměle generované sférických harmonik a fyzikální ztráty pro trénink, bez nutnosti anotovaných dat. Výsledky ukázaly rychlejší výpočet s přijatelnou chybou než jiné tradiční metody.
|
|
|
Aplikace metody učení bez učitele na hledání podobných grafů
Sabo, Jozef ; Burgetová, Ivana (oponent) ; Křivka, Zbyněk (vedoucí práce)
Cieľom tejto diplomovej práce bolo v spolupráci s firmou Avast navrhnúť systém, ktorý dokáže dolovať znalosti z databázy grafov pomocou metód učenia bez učiteľa. Grafy, určené pre dolovanie, popisujú chovanie počítačových systémov a do databázy prichádzajú anonymne od používateľov softvérových produktov firmy. Grafom v databáze je možné priradiť jednu z dvoch tried: čistý graf alebo malware (škodlivý) graf. Úlohou navrhnutého samoučiacieho systému je nad grafovou databázou nájsť zhluky grafov, v ktorých sa triedy grafov nemiešajú. Zhluky grafov, v ktorých sa nachádza iba jedna trieda grafov, sa dajú interpretovať ako rôzne typy čistých alebo malware grafov a sú užitočným zdrojom ďalších analýz nad grafmi. Pre ohodnotenie kvality zhlukov bola navrhnutá vlastná metrika pomenovaná ako jednofarebnosť. Metrika hodnotí kvalitu zhlukov na základe toho ako veľmi sa v zhlukoch miešajú čisté a malware grafy. Najlepšie výsledky metrika dosiahla, keď boli vektorové reprezentácie grafov vytvorené modelom hlbokého učenia (variačným grafovým autoenkodérom s dvomi relačnými grafovými konvolučnými operátormi) a pre zhlukovanie nad vektormi bola použitá bezparametrická metóda MeanShift.
|
host ::
RSS.