|
|
Detekce hran pomocí neuronové sítě
Janda, Miloš ; Žák, Pavel (oponent) ; Švub, Miroslav (vedoucí práce)
Hlavní náplní této práce je popis a implementace metod detekce hran pomocí neuronové sítě, které jsou náhradou klasických metod detekce hran pomocí hranových detektorů. V prvních kapitolách je obecně diskutována problematika zpracování obrazu, detekce hran a neuronových sítí. Cílem hlavní části je návrh procesu generování syntetických obrazů, extrakce dat a představení variant vhodných topologií neuronových sítí pro účely detekce hran v obraze. Závěr práce je pak věnován vyhodnocení úspěšnosti detekce hran.
|
|
|
Detekce škodlivých doménových jmen
Setinský, Jiří ; Perešíni, Martin (oponent) ; Tisovčík, Peter (vedoucí práce)
Bakalářská práce pojednává o detekování uměle vygenerovaných doménových jmen (DGA). Vygenerované adresy slouží jako komunikační prostředek mezi útočníkem a nakaženým počítačem. Detekcí můžeme odhalit a vystopovat nakažené počítače v síti. Samotné detekci předchází prostudování technik strojového učení, které budou následně aplikovány při tvorbě detektoru. Pro vytvoření výsledného klasifikátoru v podobě rozhodovacího stromu bylo potřeba analyzovat podobu DGA adres. Na základě jejich charakteristiky se extrahovaly atributy, podle kterých se bude výsledný klasifikátor rozhodovat. Po natrénování klasifikačního modelu na trénovací sadě byl klasifikátor implementován v cílové platformě NEMEA jako detekční modul. Po finálních optimalizacích a testování jsme dosáhli úspěšnosti klasifikátoru 99%, což je velmi pozitivní výsledek. NEMEA modul je připraven pro nasazení do reálného provozu, aby mohl detekovat bezpečnostní incidenty. Kromě NEMEA modulu byl dodatečně vytvořen model na predikování úspěšnosti datových sad s doménovými jmény. Model je natrénován na základě charakteristiky datové sady a úspěšnosti DGA detektoru, jehož chování chceme predikovat.
|
|
|
Predikcia bankrotu lesníckych podnikov
Blihárová, Terézia
Bakalářská práce se zabývá tématem predikce bankrotu lesnických podniků EU pomocí metody binární logistické regrese. Cílem této práce je tvorba bankrotních modelů jeden, dva a tři roky před bankrotem podniků pozitivní skupiny a následné ověření správnosti těchto modelů. Částečným cílem této práce je optimalizace dělícího bodu ve snaze získat co nejlepší klasifikační schopnosti modelů v závislosti na klasifikaci bankrotních podniků. Výsledková část ukázala, že modely s použitým optimálním dělícím bodem, jeden a dva roky před vyhlášením bankrotu mají schopnost kvalitně predikovat bankrot lesnických podniků. Tři roky před vyhlášením podniku, dokázal model s optimálním dělícím bodem stále schopně předpovědět bankrot, avšak poměr nesprávné klasifikace aktivních podniků byl poměrně vysoký.
|
|
|
Detekce anomálií v průmyslových řídicích systémech na základě strojového učení
Tsymbal, Kateryna ; Holasová, Eva (oponent) ; Pospíšil, Ondřej (vedoucí práce)
Hlavním cílem této diplomové práci je navržení systému detekce anomálií a narušení v průmyslových řídících systémech s pomocí strojového učení. Teoretická část práce poskytuje základní teoretický přehled o průmyslových řídicích systémech a jejich bezpečnosti. Dále jsou zmíněny poznatky o technikách detekce anomálií a možných výzvách v této oblasti. V poslední řadě byla v teoretické části provedena rešerše různých řešení detekce anomálií v průmyslových řídících systémech pomocí strojového učení. V praktické části jsou aplikovány algoritmy strojového učení na zvolenou datovou sadu HAI. Na závěr jsou shrnuty poznatky o vhodnosti užitých algoritmů a možnosti dalšího výzkumu. Účelem této diplomové práce je zvýšení bezpečnosti průmyslových řídicích systémů, a výsledky mohou sloužit jako podklad pro budoucí vývoj účinnějších metod detekce anomálií v této oblasti.
|
|
|
Detekce škodlivých doménových jmen
Setinský, Jiří ; Perešíni, Martin (oponent) ; Tisovčík, Peter (vedoucí práce)
Bakalářská práce pojednává o detekování uměle vygenerovaných doménových jmen (DGA). Vygenerované adresy slouží jako komunikační prostředek mezi útočníkem a nakaženým počítačem. Detekcí můžeme odhalit a vystopovat nakažené počítače v síti. Samotné detekci předchází prostudování technik strojového učení, které budou následně aplikovány při tvorbě detektoru. Pro vytvoření výsledného klasifikátoru v podobě rozhodovacího stromu bylo potřeba analyzovat podobu DGA adres. Na základě jejich charakteristiky se extrahovaly atributy, podle kterých se bude výsledný klasifikátor rozhodovat. Po natrénování klasifikačního modelu na trénovací sadě byl klasifikátor implementován v cílové platformě NEMEA jako detekční modul. Po finálních optimalizacích a testování jsme dosáhli úspěšnosti klasifikátoru 99%, což je velmi pozitivní výsledek. NEMEA modul je připraven pro nasazení do reálného provozu, aby mohl detekovat bezpečnostní incidenty. Kromě NEMEA modulu byl dodatečně vytvořen model na predikování úspěšnosti datových sad s doménovými jmény. Model je natrénován na základě charakteristiky datové sady a úspěšnosti DGA detektoru, jehož chování chceme predikovat.
|
|
|
Detekce hran pomocí neuronové sítě
Janda, Miloš ; Žák, Pavel (oponent) ; Švub, Miroslav (vedoucí práce)
Hlavní náplní této práce je popis a implementace metod detekce hran pomocí neuronové sítě, které jsou náhradou klasických metod detekce hran pomocí hranových detektorů. V prvních kapitolách je obecně diskutována problematika zpracování obrazu, detekce hran a neuronových sítí. Cílem hlavní části je návrh procesu generování syntetických obrazů, extrakce dat a představení variant vhodných topologií neuronových sítí pro účely detekce hran v obraze. Závěr práce je pak věnován vyhodnocení úspěšnosti detekce hran.
|
host ::
RSS.