<p>U ovoj doktorskoj disertaciji predložen je i analiziran metod koji kombinuje primenu entropije odabranih obeležja mrežnog saobraćaja i Takagi-Sugeno-Kang (TSK) neuro-fazi modela u detekciji DoS napada. Entropija je primenjena jer omogućava detekciju širokog spektra statističkih anomalija uzrokovanih DoS napadima dok TSK neuro-fazi model daje dodatni kvalitet u konačnom određivanju tačaka početka i kraja napada povećavajući odnos ispravno i pogrešno detektovanih napada.</p> / <p>In this thesis a new method for DoS attack detection is proposed. This method<br />combines the use of entropy of some characteristic parameters of network traffic<br />and Takagi-Sugeno-Kang (TSK) neuro-fuzzy model. Entropy has been used because<br />it enables detection of wide spectar of network anomalies caused by DoS attacks,<br />while TSK adds new value to final detection of the start and the end of an attack<br />increasing ratio between true and false detections.</p>

<p>Problem nedostajućih podataka je često prisutan prilikom razvoja<br />prediktivnih modela. Umesto uklanjanja podataka koji sadrže<br />vrednosti koje nedostaju mogu se primeniti metode za njihovu<br />imputaciju. Disertacija predlaže metodologiju za pristup analizi<br />uspešnosti imputacija prilikom razvoja prediktivnih modela. Na<br />osnovu iznete metodologije prikazuju se rezultati primene algoritama<br />mašinskog učenja, kao metoda imputacije, prilikom razvoja određenih,<br />konkretnih prediktivnih modela.</p> / <p>The problem of missing data is often present when developing predictive<br />models. Instead of removing data containing missing values, methods for<br />imputation can be applied. The dissertation proposes a methodology for<br />analysis of imputation performance in the development of predictive models.<br />Based on the proposed methodology, results of the application of machine<br />learning algorithms, as an imputation method in the development of specific<br />models, are presented.</p>

<p>Disertacija se se bavi analizom mogućnosti brze, efikasne<br />i pouzdane klasterizacije masivnog skupa neuralnih<br />snimaka na osnovu probabilističkih parametara procenjenih<br />iz obrazaca generisanja akcionih potencijala, tzv.<br />&quot;spajkova&quot;, na izlazu pojedinih neurona. Neuralna<br />aktivnost se grubo može podeliti na periode intezivne,<br />umerene i niske aktivnosti. Shodno tome, predložena je<br />gruba dekompozicija neuralne aktivnosti na tri moda koja<br />odgovaraju navedenim obrascima neuralne aktivnosti, na<br />osnovu dobro poznatog Gilbert-Eliot modela. Modovi su<br />dodatno ra&scaron;članjeni na sopstvena stanja na osnovu osobina sukcesivnih spajkova, omogućujući finiji, kompozitni<br />opis neuralne aktivnosti. Za svaki neuron empirijski se<br />procenjuju probabilistički parametri grube dekompozicije<br />- na osnovu Gilbert-Eliotovog modela i finije dekompozicije<br />- na osnovu sopstvenih stanja modova, obezbeđujući<br />željeni skup deskriptora. Dobijeni deskriptori<br />koriste se kao obeležja nekoliko algoritama klasterizacije<br />nad simuliranim i eksperimentalnim podacima. Za generisanje<br />simuliranih podataka primenjen je jednostavan<br />model za generisanje akcionih potencijala različitih<br />oscilatornih pona&scaron;anja pobuđujućih i blokirajućih kortikalnih<br />neurona. Validacija primene probabilističkih parametara<br />za klasterizaciju rada neurona izvr&scaron;ena je na<br />osnovu estimacije parametera nad generisanim neuralnim<br />odzivima. Eksperimentalni podaci su dobijeni<br />snimanjem kortikografskih signala iz dorzalnog anteriornog<br />cingularanog korteksa i lateralnog prefrontalnog<br />korteksa korteksa budnih rezus majmuna. U okviru predloženog<br />protokola evaluacije različitih pristupa<br />klasterizacije testirano je nekoliko metoda. Klasterizacija<br />zasnovana na akumulaciji dokaza iz ansambla particija<br />dobijenih k-means klasterovanjem dala je najstabilnije<br />grupisanje neuralnih jedinica uz brzu i efikasnu implementaciju.<br />Predložena empirijska karakterizacija može da<br />posluži za identifikaciju korelacije sa spolja&scaron;njim stimulusima,<br />akcijama i pona&scaron;anjem životinja u okviru<br />eksperimentalne procedure. Prednosti ovog postupka za<br />opis neuralne aktivnosti su brza estimacija i mali skup<br />deskriptora. Računarska efikasnost omogućuje primenu<br />nad obimnim, paralelno snimanim neuralnim podacima u<br />toku snimanja ili u periodima od interesa za identifikaciju<br />aktiviranih i povezanih zona pri određenim aktivnostima.</p> / <p>The advances in extracellular neural recording techniques<br />result in big data volumes that necessitate fast,<br />reliable, and automatic identification of statistically<br />similar units. This study proposes a single framework<br />yielding a compact set of probabilistic descriptors that<br />characterise the firing patterns of a single unit. Probabilistic<br />features are estimated from an inter-spikeinterval<br />time series, without assumptions about the firing distribution or the stationarity. The first level of proposed<br />firing patterns decomposition divides the inter-spike<br />intervals into bursting, moderate and idle firing modes,<br />yielding a coarse feature set. The second level identifies<br />the successive bursting spikes, or the spiking acceleration/<br />deceleration in the moderate firing mode, yielding<br />a refined feature set. The features are estimated from<br />simulated data and from experimental recordings from<br />the lateral prefrontal cortex in awake, behaving rhesus<br />monkeys. An effcient and stable partitioning of neural<br />units is provided by the ensemble evidence accumulation<br />clustering. The possibility of selecting the number of<br />clusters and choosing among coarse and refined feature<br />sets provides an opportunity to explore and compare<br />different data partitions. The estimation of features, if<br />applied to a single unit, can serve as a tool for the firing<br />analysis, observing either overall spiking activity or the<br />periods of interest in trial-to-trial recordings. If applied to<br />massively parallel recordings, it additionally serves as an<br />input to the clustering procedure, with the potential to<br />compare the functional properties of various brain<br />structures and to link the types of neural cells to the<br />particular behavioural states.</p>