Bakalářská práce pana Cempírka se zabývá problematikou detekce anomálního síťového provozu IoT zařízení pomocí metod strojového učení. Zadání považuji za náročnější, neboť nebyl jednoznačně definovaný postup řešení a bylo nutné navrhnout vlastní metodiku sběru dat, jejich zpracování i detekce anomálií. Zadání práce považuji za zcela splněné.

Student pracoval samostatně, pravidelně konzultoval dosažené výsledky a navrhoval další postup na základě vlastních experimentů. Oceňuji zejména jeho aktivní přístup při návrhu a realizaci testovacího prostředí a dlouhodobé ověřování funkčnosti v reálném provozu. Hlavní přínos vidím v rozsáhlé praktické části, kde student prokázal schopnost samostatně řešit technické problémy a kriticky vyhodnocovat získané výsledky. Za určitý nedostatek považuji stručnější vyhodnocení některých parametrů použitého modelu.

Prezentační úroveň práce je velmi dobrá. Lze vytknout jen drobné formální nedostatky, jako místy nejednotné používání české a anglické terminologie či osamocené předložky na konci řádku.

Přes uvedené drobné nedostatky práci považuji za velmi pečlivě zpracovanou a doporučuji ji k obhajobě s hodnocením A / 92b. Points proposed by supervisor: 92

Bakalářská práce se zabývá automatizovanou detekcí anomálního síťového provozu domácích IoT zařízení s důrazem na ochranu soukromí. Provoz tří zařízení je zrcadlen ze směrovače MikroTik na Raspberry Pi, kde student nástrojem CICFlowMeter extrahuje statistické příznaky toků a pro každé zařízení provozuje samostatný model Isolation Forest. Práce zahrnuje i rozbor právních aspektů podle GDPR a doporučení pro zvýšení ochrany soukromí uživatelů. Zadání považuji za splněné v plném rozsahu.
Silnou stránkou je tříměsíční nasazení systému v reálné domácí síti, během kterého student zachytil jev concept drift a potvrdil jej řízeným experimentem. Oceňuji rovněž promyšlenou architekturu s volně vázanými vrstvami a věcnou diskusi vlastních omezení.
Hlavním nedostatkem je vyhodnocení detekční účinnosti. Kvantitativní výsledky pocházejí z testů na simulovaných anomáliích provedených na týchž datech, na kterých byly modely trénovány, takže jsou optimistické a nejsou ověřeny na nezávislém vzorku. Dalším nedostatkem je, že výběr 27 příznaků z 82 dostupných není doložen kvantitativní analýzou a opírá se pouze o popisnou úvahu nad komunikačními vzory.
Po formální stránce je text čitelný a dobře strukturovaný, propojení teoretické a praktické části je konzistentní a práce s literaturou je solidní a opřená o primární zdroje. Práci doporučuji k obhajobě s celkovým hodnocením 83 bodů / B. Topics for thesis defence:

1. Výběr 27 příznaků z 82 jste odvodil z popisné úvahy nad komunikačními vzory. Jak byste kvantitativně doložil, že právě tyto příznaky nejlépe oddělují normální provoz od anomálního?
2. Přetrénování modelů se dnes spouští ručně. Podle jakých signálů by systém mohl sám rozpoznat, že u některého zařízení nastal concept drift a je třeba model přetrénovat?

Points proposed by reviewer: 83