{"id":{"repo_id":"brno-tech","oai_identifier":"oai:dspace.vut.cz:11012/253752"},"canonical_url":"https://search.dev.ndltd.org/etd/brno-tech/oai:dspace.vut.cz:11012/253752","repository":{"repo_id":"brno-tech","name":"Brno University of Technology","base_url":"https://dspace.vut.cz/oai/request"},"display":{"title":"Analýza dat šifrovaných síťových tunelů","abstract":"Táto práce pojednává o problematice klasifikace šifrovaných toků provozu. Cílem je navrhnout a implementovat metodu strojového učení, která bude schopna správně klasifikovat šifrovaný síťový provoz do několika různých typů provozu. Zaměřuje se především na tunelovací protokoly WireGuard a OpenVPN a analyzuje jejich vliv na statistické charakteristiky síťového provozu, především délku paketů a časové intervaly mezi nimi. Práce dále popisuje použité metody strojového učení, konkrétně logistickou regresi a algoritmus XGBoost založený na gradientním zesilování. Následně je představen způsob generování WireGuard provozu a zachycení požadovaných dat, rovněž je popsán samotný návrh klasifikační metody a extrakce důležitých příznaků. Vyhodnocení modelu či jeho optimalizace je uvedena v poslední části této práce.","abstract_html":"Táto práce pojednává o problematice klasifikace šifrovaných toků provozu. Cílem je navrhnout a implementovat metodu strojového učení, která bude schopna správně klasifikovat šifrovaný síťový provoz do několika různých typů provozu. Zaměřuje se především na tunelovací protokoly WireGuard a OpenVPN a analyzuje jejich vliv na statistické charakteristiky síťového provozu, především délku paketů a časové intervaly mezi nimi. Práce dále popisuje použité metody strojového učení, konkrétně logistickou regresi a algoritmus XGBoost založený na gradientním zesilování. Následně je představen způsob generování WireGuard provozu a zachycení požadovaných dat, rovněž je popsán samotný návrh klasifikační metody a extrakce důležitých příznaků. Vyhodnocení modelu či jeho optimalizace je uvedena v poslední části této práce.","abstract_has_math":false,"creators":["Nieslanik, Adam"],"institution":"Vysoké učení technické v Brně. Fakulta informačních technologií","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Poliakov, Daniel"],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-07-24T01:22:53Z","subjects":["šifrovaný síťový provoz","klasifikace provozu","strojové učení","WireGuard","OpenVPN","XGBoost","logistická regrese","analýza paketů","tunelovací protokoly","extrakce příznaků","encrypted network traffic","traffic classification","machine learning","logistic regression","packet analysis","tunelling protocols","feature extraction"],"languages":["cs"],"rights":["Standardní licenční smlouva - přístup k plnému textu bez omezení"],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["165122"],"render_values":[{"text":"165122","href":null,"code":true}]}]},"links":{"outbound_url":"http://hdl.handle.net/11012/253752","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Poliakov, Daniel"]},{"key":"dc:creator","label":"Author","values":["Nieslanik, Adam"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:publisher","label":"Institution","values":["Vysoké učení technické v Brně. Fakulta informačních technologií"]},{"key":"dc:type","label":"Dc Type","values":["Text"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Bc."]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["šifrovaný síťový provoz","klasifikace provozu","strojové učení","WireGuard","OpenVPN","XGBoost","logistická regrese","analýza paketů","tunelovací protokoly","extrakce příznaků","encrypted network traffic","traffic classification","machine learning","logistic regression","packet analysis","tunelling protocols","feature extraction"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["cs"]},{"key":"dc:rights","label":"Dc Rights","values":["Standardní licenční smlouva - přístup k plnému textu bez omezení"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["165122"]},{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/11012/253752"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Táto práce pojednává o problematice klasifikace šifrovaných toků provozu. Cílem je navrhnout a implementovat metodu strojového učení, která bude schopna správně klasifikovat šifrovaný síťový provoz do několika různých typů provozu. Zaměřuje se především na tunelovací protokoly WireGuard a OpenVPN a analyzuje jejich vliv na statistické charakteristiky síťového provozu, především délku paketů a časové intervaly mezi nimi. Práce dále popisuje použité metody strojového učení, konkrétně logistickou regresi a algoritmus XGBoost založený na gradientním zesilování. Následně je představen způsob generování WireGuard provozu a zachycení požadovaných dat, rovněž je popsán samotný návrh klasifikační metody a extrakce důležitých příznaků. Vyhodnocení modelu či jeho optimalizace je uvedena v poslední části této práce.","This thesis deals with the issue of encrypted traffic flow classification. The aim is to design and implement a machine learning method capable of accurately classifying encrypted network traffic into several different traffic types. The work focuses primarily on the tunneling protocols WireGuard and OpenVPN and analyzes their impact on the statistical characteristics of network traffic, particularly packet lengths and inter-packet time intervals. It also describes the machine learning techniques used, specifically logistic regression and the XGBoost algorithm based on gradient boosting. The process of generating WireGuard traffic and capturing the required data is then presented, along with the design of the classification method and the extraction of important features. The final part of the thesis presents model evaluation and its potential optimization."]},{"key":"dc:title","label":"Title","values":["Analýza dat šifrovaných síťových tunelů"]}]}],"canonical_facts":{"dc:contributor.advisor":["Poliakov, Daniel"],"dc:creator":["Nieslanik, Adam"],"dc:description.abstract":["Táto práce pojednává o problematice klasifikace šifrovaných toků provozu. Cílem je navrhnout a implementovat metodu strojového učení, která bude schopna správně klasifikovat šifrovaný síťový provoz do několika různých typů provozu. Zaměřuje se především na tunelovací protokoly WireGuard a OpenVPN a analyzuje jejich vliv na statistické charakteristiky síťového provozu, především délku paketů a časové intervaly mezi nimi. Práce dále popisuje použité metody strojového učení, konkrétně logistickou regresi a algoritmus XGBoost založený na gradientním zesilování. Následně je představen způsob generování WireGuard provozu a zachycení požadovaných dat, rovněž je popsán samotný návrh klasifikační metody a extrakce důležitých příznaků. Vyhodnocení modelu či jeho optimalizace je uvedena v poslední části této práce.","This thesis deals with the issue of encrypted traffic flow classification. The aim is to design and implement a machine learning method capable of accurately classifying encrypted network traffic into several different traffic types. The work focuses primarily on the tunneling protocols WireGuard and OpenVPN and analyzes their impact on the statistical characteristics of network traffic, particularly packet lengths and inter-packet time intervals. It also describes the machine learning techniques used, specifically logistic regression and the XGBoost algorithm based on gradient boosting. The process of generating WireGuard traffic and capturing the required data is then presented, along with the design of the classification method and the extraction of important features. The final part of the thesis presents model evaluation and its potential optimization."],"dc:identifier.other":["165122"],"dc:identifier.uri":["http://hdl.handle.net/11012/253752"],"dc:language.iso":["cs"],"dc:publisher":["Vysoké učení technické v Brně. Fakulta informačních technologií"],"dc:rights":["Standardní licenční smlouva - přístup k plnému textu bez omezení"],"dc:subject":["šifrovaný síťový provoz","klasifikace provozu","strojové učení","WireGuard","OpenVPN","XGBoost","logistická regrese","analýza paketů","tunelovací protokoly","extrakce příznaků","encrypted network traffic","traffic classification","machine learning","logistic regression","packet analysis","tunelling protocols","feature extraction"],"dc:title":["Analýza dat šifrovaných síťových tunelů"],"dc:type":["Text"],"thesis:institution_name":["Bc."]},"updated_at":"2026-07-24T01:22:53Z"}