Unsupervised Time Series Anomaly Detection on Virtualisation host networks

Bc. Andrej Černek

Bachelor's thesis

Abstract:

Cloud Computing poskytuje jedinečné možnosti automatizácie a redukcie administratívnych nákladov. Špeciálne okolnosti takýchto prostredí, ako je živá migrácia virtuálnych strojov, môžu sťažiť detekciu anomálií. Táto práca skúma niekoľko algoritmov na detekciu anomálií a hodnotí výhody odhadnutia miery anomálií. Teoretická časť popisuje metódy z matematického hľadiska. Praktická časť potom skúma validačné a trénovacie metódy na učenie časových radov a zároveň vyberá vhodné parametre. Natrénované modely sú vyhodnocované na niekoľkých súboroch údajov a porovnané v súvislosti s ich rýchlosťou a ich schopnosťou detegovať anomálie a minimalizovať počet falošných poplachov.

Abstract:

Cloud computing provides unique automation opportunities and a reduction of administrative costs. The special circumstances of such environments, such as live virtual machine migrations, could make network anomaly detection more challenging. The thesis looks at several anomaly detection algorithms and evaluates the advantages of estimating the anomaly rate. The theoretical part describes the methods from a mathematical standpoint. The practical part then explores the validation and training methods for time series learning while also chooses the appropriate parameters. The trained models are evaluated on multiple data sets and compared in regards to their ability to detect anomalies, minimise the number of false alarms and their speed.

Keywords

machine learning, anomaly detection, network traffic, virtualisation, scikit-learn

Language used: English

Date on which the thesis was submitted / produced: 25. 5. 2021

Thesis defence

• Date of defence: 1. 7. 2021
• Supervisor: RNDr. Adam Rambousek, Ph.D.
• Reader: Ing. Milan Brož, Ph.D.

Masaryk University

Faculty of Informatics

Bachelor programme / field:
Informatics / Artificial Intelligence and Natural Language Processing