Baza wiedzy: Politechnika Warszawska

Ustawienia i Twoje konto

Powrót

Wykrywanie anomalii w ruchu sieciowym

Magdalena Paulina Buras

Abstract

Abstract: Anomaly detection in network traffic The purpose of this thesis was to create a solution to a problem of anomaly detection in network traffic. This has been achieved in three different ways. The first solution was to implement a neural network and use supervised machine learning to detect outliers in daily time series. TensorFlow library and its interface Keras have been used to achieve this purpose. The second solution was to use Kibana, a tool enabling a visualization of data stored in Elasticsearch system. By the virtue of Kibana’s ability to analyze time series data using unsupervised machine learning, anomaly detection was possible. The last method was to leverage the implementation S-H-ESD, (Seasonal Hybrid Extreme Studentized Deviate). This solution uses time series decomposition and splits observed data into three components: trend, seasonality and noise. Outliers are then searched for in the trend component using appropriate metrics.
Rodzaj dyplomu
Praca inżynierska / licencjacka
Typ dyplomu
Praca inżynierska
Autor
Magdalena Paulina Buras (WEiTI/IT) Magdalena Paulina Buras Instytut Telekomunikacji (WEiTI/IT)Wydział Elektroniki i Technik Informacyjnych (WEiTI)
Tytuł w języku polskim
Wykrywanie anomalii w ruchu sieciowym
Promotor
Piotr Gajowniczek (WEiTI/IT) Piotr Gajowniczek Instytut Telekomunikacji (WEiTI/IT)Wydział Elektroniki i Technik Informacyjnych (WEiTI)
Jednostka dyplomująca
Wydział Elektroniki i Technik Informacyjnych (WEiTI)
Jednostka prowadząca
Instytut Telekomunikacji (WEiTI/IT)
Kierunek / specjalność studiów
, Telekomunikacja (Telecommunications)
Język
(pl) polski
Status pracy
Obroniona
Data obrony
11-02-2019
Data (rok) wydania
2019
Recenzenci
Marcin Golański (WEiTI/IT) Marcin Golański Instytut Telekomunikacji (WEiTI/IT)Wydział Elektroniki i Technik Informacyjnych (WEiTI) Piotr Gajowniczek (WEiTI/IT) Piotr Gajowniczek Instytut Telekomunikacji (WEiTI/IT)Wydział Elektroniki i Technik Informacyjnych (WEiTI)
Słowa kluczowe w języku polskim
wykrywanie anomalii, zaburzenia, analiza ruchu sieciowego, uczenie maszynowe, sieci neuronowe, TensorFlow, Keras, Kibana, Seasonal Hybrid Extreme Studentized Deviate, Elasticsearch, dekompozycja szeregu czasowego
Słowa kluczowe w języku angielskim
anomaly detection, network traffic analysis, machine learning, neural networks, TensorFlow, Keras, Kibana, Elasticsearch, Seasonal Hybrid Extreme Studentized Deviate, time-series decomposition
Streszczenie w języku polskim
Streszczenie: Wykrywanie anomalii w ruchu sieciowym Celem niniejszej pracy dyplomowej było opracowanie metod wykrywania anomalii w ruchu sieciowym. Problem ten został rozwiązany na trzy sposoby. Pierwszy z nich zakładał zastosowanie sieci neuronowej oraz nadzorowanego uczenia maszynowego. Wykorzystanie biblioteki o nazwie TensorFlow oraz jej interfejsu Keras umożliwiło zrealizowanie tej części pracy. Kolejnym rozwiązaniem było wykorzystanie narzędzia Kibana umożliwiającego, między innymi, wizualizację danych zgromadzonych w systemie Elasticsearch. Dzięki zastosowaniu nienadzorowanego uczenia maszynowego możliwe było wykrycie zaburzeń w przebiegach czasowych. Ostatnim przedstawionym rozwiązaniem jest zastosowanie algorytmu o nazwie S-H-ESD, (ang. Seasonal Hybrid Extreme Studentized Deviate). Wykorzystuje on w swym działaniu dekompozycję szeregu czasowego na trzy główne składowe takie jak linia trendu, szum oraz powtórzenia okresowe. Następnie dzięki obliczeniu odpowiednich metryk dla poszczególnych próbek z linii trendu, możliwe jest wykrywanie anomalii.
Plik pracy
  • Plik: 1
    MBuras_praca_inzynierska.pdf
Poproś o plik WCAG
Pola lokalne
Identyfikator pracy APD: 32010

Jednolity identyfikator zasobu
https://repo.pw.edu.pl/info/bachelor/WUTa28dd84c8ec74d358a7ce809321e2879/
URN
urn:pw-repo:WUTa28dd84c8ec74d358a7ce809321e2879

Potwierdzenie
Czy jesteś pewien?
Zgłoszenie uwag dotyczących tej strony