Studentka Bc. Anežka Fišarová pracovala na své diplomové práci svědomitě. Od počátku pravidelně konzultovala postup řešení a průběžně informovala o dosažených pokrocích i případných problémech.

Kladně hodnotím zpracování diplomové práce. Přestože se v textu vyskytují drobné typografické nedostatky, práce obsahuje dostatečné množství informací pro seznámení s řešenou problematikou i se současným stavem vědy a techniky, což dokládá schopnost studentky pracovat s odbornou literaturou. V rámci realizace praktické části bylo provedeno značné množství experimentů zaměřených na trénování neuronových sítí a porovnání různých architektur.

Zadání práce bylo splněno v plném rozsahu. Práci doporučuji k obhajobě a hodnotím ji stupněm A (92 bodů). Points proposed by supervisor: 92

Diplomantka Bc. Anežka Fišarová se ve své práci zabývá velmi aktuálním a bezpečnostně významným tématem – využitím metod hlubokého učení pro detekci útoků a anomálií v prostředí Internetu vozidel (IoV) se zaměřením na komunikaci po sběrnici CAN. V teoretické části práce studentka nejprve přehledně a logicky popsala principy IoV, jeho vrstvenou architekturu, komunikační technologie a typické bezpečnostní hrozby. Následně se věnovala rozboru neuronových sítí a jejich využití v systémech detekce narušení (IDS). Teoretická část je zpracována na velmi dobré odborné úrovni a využívá moderní literaturu.

V praktické části se studentka zaměřila na implementaci a vyhodnocení modelů na datových sadách CICIoV2024 a Car-Hacking Dataset. Nejprve úspěšně realizovala referenční řešení z literatury založené na převodu síťového provozu na 2D obrazy a transfer learningu s využitím předtrénovaných konvolučních sítí (např. VGG16, VGG19, ResNet50 či InceptionResNetV2). Správně však identifikovala nevýhodu tohoto přístupu, kterou je extrémní výpočetní a paměťová náročnost (desítky milionů parametrů, trénování trvající až desítky hodin). Jako vlastní příspěvek proto navrhla a v PyTorch naimplementovala řadu lehkých modelů (MLP, 1D CNN, hybridní CNN-LSTM, model na bázi Tabular Transformeru a autoenkodéry pro detekci anomálií), které pracují přímo s vektorovou reprezentací CAN rámců. Její model CNN_light s pouhými 11 398 parametry dosáhl na testovací sadě CICIoV2024 prakticky stejné přesnosti jako mnohonásobně větší referenční sítě. Velmi oceňuji rozsah experimentální práce, systematické porovnávání architektur a zohlednění nejen přesnosti, ale i počtu parametrů a inferenčního času.

Z hlediska softwarové realizace velmi oceňuji rozsah a hloubku experimentální práce, systematické testování různých architektur a také vynikající technickou úroveň odevzdaných zdrojových kódů. Kódy jsou čisté, modulární, postavené na standardní šabloně PyTorch projektů. Obsahují pouze drobné nedostatky, jako jsou například absolutní lokální cesty. Celé řešení je verzováno v Git repozitářích.

Z hlediska metodiky vyhodnocení má práce několik drobných nedostatků:
1. Úprava testovacích dat: Skript fix_dataset.py řeší konfliktní labely tak, že přepisuje minoritní třídu u shodných příznaků na majoritní. Aplikování tohoto skriptu na testovací sadu je metodologicky nesprávné a může být zavádějící.
2. Prahování Autoenkodéru: Práh rekonstrukční chyby u autoenkodérů byl optimalizován přímo na testovací množině, což v reálném nasazení bez popisků není možné a výsledky to nadhodnocuje.

Analýza výsledků studentky napříč čtyřmi verzemi experimentů (viz Příloha A) ukazuje, že již ve verzích 1 a 2 (tedy před použitím skriptu fix_dataset.py a před přidáním CAN ID) dosahovaly modely velmi vysoké a realistické přesnosti kolem 99,64%. Po přidání CAN ID ve verzi 4 se přesnost zvýšila na 99,99%. Srovnání výsledků test_acc_old a test_acc_new v odevzdaných datech ukazuje rozdíl pouhých 0,0007% (což odpovídá změně pouhých 7 vzorků z téměř jednoho milionu testovacích zpráv). To prokazuje, že model není závislý na umělé úpravě dat. Metodický přešlap se skriptem fix_dataset.py byl tedy v praxi nadbytečný a jeho vliv na výsledky je zanedbatelný.

Po formální stránce je práce na výborné úrovni, srozumitelně strukturovaná, s výborně zpracovanými grafy a tabulkami. V textu se objevují pouze drobné typografické vady.

Bc. Anežka Fišarová prokázala vynikající inženýrské schopnosti, schopnost samostatné práce a vytvořila velmi kvalitní softwarové řešení, které má velký potenciál použití v praxi, především v době vzrůstajících válečných konfliktů a hybridních hrozeb. Práci doporučuji k obhajobě a hodnotím ji známkou A (výborně) s počtem 92 bodů. Topics for thesis defence:

1. Při vyhodnocení autoenkodérů jste hledala optimální práh rekonstrukční chyby přímo na testovací sadě. Jak byste tento práh určila v reálném nasazení, kdy testovací data nemají známé popisky (labels) a cílem je detekovat neznámé anomálie?
2. Dochází k použití zmíněných útoků v praxi, například v probíhajících válečných konfliktech? Bylo by možné vyvinuté technologie použít i v obranném sektoru?

Points proposed by reviewer: 92