Ing. Matej Hulák

Ing. Matej Hulák

Ing. Mgr. Ladislava Smítková Janků, Ph.D.

Katedra aplikované matematiky

Znalost interní struktury zákaznických sítí je pro poskytovatele internetových služeb (ISP) klíčová z hlediska plánování, bezpečnosti i správy provozu. Tradiční nástroje však často neposkytují dostatečný vhled do vnitřní struktury sítě, zejména v prostředích využívajících překlad síťových adres (NAT). Tato práce se zabývá analýzou metod detekce zařízení provozujících NAT pomocí analýzy síťových toků a následnou implementaci funkčního modulu pro systém NEMEA, využívající vybrané metody strojového učení. V teoretické části se práce věnuje rozboru problematiky monitorování síťového provozu, principů fungování NAT a přehledu existujících metod detekce NAT. Praktická část popisuje zpracování veřejně dostupné datové sady síťového provozu, návrhem metodiky jejich agregace do podoby vhodné pro strojové učení a samotnou aplikaci metod strojového učení. Výsledkem této práce je funkční rozšiřující modul pro systém NEMEA, který na základě provedené analýzy a experimentů umožňuje detekovat výskyt NAT a poskytuje tak ISP nástroj pro analýzu struktury síťové infrastruktury.

Práce na DSpace

Ing. Matej Hulák

Ing. Martin Šutovský

Katedra informační bezpečnosti

Tato bakalářská práce se zabývá detekcí botnetové aktivity typu Mirai a pří buzných variant z dat o síťových tocích. Cílem je navrhnout srozumitelný a prakticky použitelný přístup, který z chování zařízení odvodí vhodné příznaky, využije dataset IoT-23 pro experimentální vyhodnocení a povede k modelu vhodnému pro nasazení v prostředí NEMEA. Navržené řešení vychází z beha viorálních projevů Mirai, zejména ze skenování sítě, komunikace s řídicím ser verem a útočné aktivity, které jsou zachyceny pomocí agregovaných příznaků počítaných v krátkých nepřekrývajících se časových oknech. Jako finální na sazovací varianta byl zvolen interpretovatelný rozhodovací strom s oknem 5 s, který na testovací množině datasetu IoT-23 dosahuje velmi dobrých výsledků při zachování dobré vysvětlitelnosti. Praktickým výstupem práce je prototyp modulu v jazyce Python pro framework NEMEA, jenž průběžně zpracovává tokové záznamy a při zvýšené míře podezření vytváří výstup pro navazující detekční pipeline.

Práce na DSpace

Ing. Matej Hulák

Ing. Jaroslav Pešek

Katedra informační bezpečnosti

Tato diplomová práce se zabývá klasifikací zařízení v počítačových sítích na zá- kladě tokových dat. Cílem práce je navrhnout a experimentálně ověřit metodu umožňující rozlišit typ zařízení pouze z agregovaných statistických charakte- ristik síťového provozu. Toková data byla získána z reálného síťového prostředí a následně zpraco- vána pomocí časové agregace do pevně definovaných oken. Na základě agrego- vaných příznaků byl vytvořen klasifikační model využívající metodu Random Forest. Model byl vyhodnocen pomocí metrik accuracy, precision, recall a F1- skóre s důrazem na řešení třídní nevyváženosti. Experimentální výsledky ukazují, že navržený přístup umožňuje spolehlivě rozlišovat jednotlivé typy zařízení a potvrzují vhodnost flow-based přístupu v prostředí s převahou šifrované komunikace.

Práce na DSpace

Ing. Matej Hulák

Ing. Josef Koumar

Katedra informační bezpečnosti

Cílem práce je detekovat proxy servery, konkrétně rezidenční proxy servery (RESIP) v síti na základě analýzy síťových toků z pohledu poskytovatele internetových služeb. Použitím technik strojového učení bude vyvinut funkční modul pro systém NEMEA. Tento modul detekuje RESIP v síti, čímž zlepšuje správu a zabezpečení sítě.

Práce na DSpace

Ing. Matej Hulák

Mgr. Martin Jureček, Ph.D.

Katedra informační bezpečnosti

Tato bakalářská práce se zabývá klasifikací operačních systémů na základě síťových toků. Pro klasifikaci je využito metod strojového učení. Před samotnou aplikací strojového učení jsou ze síťových toků agregovány relevantní informace, které slouží jako vstupní příznaky. Řešení je implementováno v programovacím jazyce Python s využitím knihovny scikit-learn a zaměřuje se rovněž na analýzu výstupů modelu strojového učení. Nejlepšího výsledku bylo dosaženo pomocí algoritmu Random Forest, který dosáhl hodnoty přesnosti 86,46 % (F1-macro) na testovací sadě. Reálné testy na datech z produkční sítě ukázaly, že i bez některých vstupních parametrů je modul schopen klasifikovat zařízení s přesností 59,08 % (F1-macro). Výsledky ukazují potenciál pro další zlepšení přesnosti a spolehlivosti klasifikace. Aby klasifikátor mohl být aplikován, je vytvořen modul pro systém NEMEA, který v reálném čase dokáže klasifikaci provést.

Práce na DSpace