Využití strojového učení pro detekci anomálií na základě analýzy systémových logů

Simple item page
but.committeeprof. Ing. Eva Gescheidtová, CSc. (předseda) doc. Ing. Jiří Hošek, Ph.D. (místopředseda) Ing. Michal Polívka, Ph.D. (člen) Ing. Pavel Hanák, Ph.D. (člen) Ing. Zoltán Galáž, Ph.D. (člen) Ing. Petr Kříž (člen)cs
but.defenceStudent prezentoval výsledky své práce a komise byla seznámena s posudky. Student obhájil diplomovou práci s výhradami a odpověděl na otázky členů komise a oponenta. Otázky oponenta: 1. Jaké parametry mají v rámci Vašeho nástroje vliv na efektivnost odhalení anomálie? 2. Jak velký datový (časový) stream je nutný pro efektivní odhalení následně vzniklých anomálií? Otázky komise: 1. Jsou vstupními daty modelů textové řetězce? 2. Je vstupem modelů časová řada logů?cs
but.jazykangličtina (English)
but.programElektrotechnika, elektronika, komunikační a řídicí technikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorHošek, Jiříen
dc.contributor.authorŠiklóši, Miroslaven
dc.contributor.refereeFujdiak, Radeken
dc.date.accessioned2020-06-17T06:56:56Z
dc.date.available2020-06-17T06:56:56Z
dc.date.created2020cs
dc.description.abstractTáto diplomová práca sa venuje problematike využitia strojového učenia na detekciu anomálií na základe analýzy systémových logov. Navrhnuté modely sú založené na algoritmoch strojového učenia s učiteľom, bez učiteľa a na hlbokom učení. Funkčnosť a správanie týchto algoritmov sú objasnené ako teoreticky, tak aj prakticky. Okrem toho boli využité metódy a postupy na predspracovanie dát predtým, než boli vložené do modelov strojového učenia. Navrhnuté modely sú na konci porovnané s využitím viacerých metrík a otestované na syslogoch, ktoré modely predtým nevideli. Najpresnejší výkon podali modely Klasifikátor rozhodovacích stromov, Jednotriedny podporný vektorový stroj a model Hierarchické zoskupovanie, ktoré správne označili 93,95%, 85,66% a 85,3% anomálií v uvedenom poradí.en
dc.description.abstractThis thesis deals with system log analysis for anomaly detection using machine learning models. The proposed models are based on supervised, unsupervised and deep learning algorithms. However, the functionality and behaviour of these algorithms have been clarified theoretically and practically in the thesis. Moreover, many preprocessing methods and logics were used to preprocess the data before it was fed to the machine learning model. At the end and to confirm the workability of proposed models, many metrics were calculated and unseen syslogs were fed to the best-proposed machine learning models to detect the anomalies. However, models Decision Tree Classifier, One-class SVM and Hierarchical Clustering demonstrated the best performance, correctly predicting 93.95%,85.66% and 85.3% of all anomalies respectively.cs
dc.description.markCcs
dc.identifier.citationŠIKLÓŠI, M. Využití strojového učení pro detekci anomálií na základě analýzy systémových logů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2020.cs
dc.identifier.other123641cs
dc.identifier.urihttp://hdl.handle.net/11012/189184
dc.language.isoencs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectDetekcia anomáliíen
dc.subjectSystémové logyen
dc.subjectPythonen
dc.subjectStrojové učenieen
dc.subjectAnomaly detectioncs
dc.subjectSyslog messagescs
dc.subjectPythoncs
dc.subjectMachine Learningcs
dc.titleVyužití strojového učení pro detekci anomálií na základě analýzy systémových logůen
dc.title.alternativeSystem Log Analysis for Anomaly Detection Using Machine Learningcs
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2020-06-16cs
dcterms.modified2020-06-17-06:16:21cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid123641en
sync.item.dbtypeZPen
sync.item.insts2021.11.12 18:11:18en
sync.item.modts2021.11.12 17:04:01en
thesis.disciplineTelekomunikační a informační technikacs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav telekomunikacícs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
2.94 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
26.97 KB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_123641.html
Size:
4.16 KB
Format:
Hypertext Markup Language
Description:
review_123641.html
Download
Collections
2020