| Thesis title: |
Aplikace strojového učení v kybernetické bezpečnosti pro detekci a analýzu útoků |
| Author: |
Chmola, Jozef |
| Thesis type: |
Bakalářská práce |
| Supervisor: |
Kovářová, Marie |
| Opponents: |
Maryška, Miloš |
| Thesis language: |
Česky |
| Abstract: |
Tato bakalářská práce se zabývá využitím strojového a hlubokého učení pro detekci síťových útoků v oblasti kybernetické bezpečnosti. Cílem bylo navrhnout, natrénovat a vyhodnotit model kombinující algoritmy Random Forest a neuronovou síť pro klasifikaci síťových flowů jako škodlivé nebo benigní. Model byl trénován na datech z veřejného datasetu CIC-IDS2017 a testován na dalších datech, včetně části CSE-CIC-IDS2018 a vlastních záznamech. Výsledky ukázaly, že model dokáže detekovat útoky s vysokou přesností i mimo trénovací množinu a překonává klasické systémy založené na signaturách, jako je Zeek. Práce rovněž identifikuje klíčová omezení a navrhuje možné směry dalšího vývoje včetně hybridních systémů kombinujících více přístupů. |
| Keywords: |
Strojové učení; hluboké učení; kybernetická bezpečnost; detekce útoků; IDS |
| Thesis title: |
Application of machine learning in cybersecurity for attack detection and analysis |
| Author: |
Chmola, Jozef |
| Thesis type: |
Bachelor thesis |
| Supervisor: |
Kovářová, Marie |
| Opponents: |
Maryška, Miloš |
| Thesis language: |
Česky |
| Abstract: |
This bachelor thesis focuses on the use of machine learning and deep learning for detecting network attacks in the field of cybersecurity. The goal was to design, train, and evaluate a model combining Random Forest and a neural network to classify network flows as either malicious or benign. The model was trained on the public CIC-IDS2017 dataset and tested on other datasets, including a portion of CSE-CIC-IDS2018 and custom network captures. Results showed that the model achieves high accuracy even on unseen data and outperforms traditional signature-based systems such as Zeek. The thesis also identifies key limitations and suggests directions for future development, including hybrid systems that combine multiple detection approaches. |
| Keywords: |
attack detection; IDS; Machine learning; deep learning; cybersecurity |
Information about study
| Study programme: |
Aplikovaná informatika |
| Type of study programme: |
Bakalářský studijní program |
| Assigned degree: |
Bc. |
| Institutions assigning academic degree: |
Vysoká škola ekonomická v Praze |
| Faculty: |
Faculty of Informatics and Statistics |
| Department: |
Department of Information Technologies |
Information on submission and defense
| Date of assignment: |
5. 10. 2024 |
| Date of submission: |
9. 5. 2025 |
| Date of defense: |
2025 |
Files for download
The files will be available after the defense of the thesis.