Autorius, institucija: Mantas Bacevičius, Kauno technologijos universitetas
Mokslo sritis, kryptis: gamtos mokslai, informatika, N009
Mokslinis vadovas: prof. dr. Agnė Paulauskaitė (Kauno technologijos universitetas, gamtos mokslai, informatika, N009)
Informatikos mokslo krypties disertacijos gynimo taryba:
prof. habil. dr. Rimantas Barauskas (Kauno technologijos universitetas, gamtos mokslai, informatika, N009) – pirmininkas
doc. dr. Mantas Lukoševičius (Kauno technologijos universitetas, gamtos mokslai, informatika, N009)
prof. dr. Gintaras Palubeckis (Kauno technologijos universitetas, gamtos mokslai, informatika, N009)
prof. dr. Simona Ramanauskaitė (Vilniaus Gedimino technikos universitetas, gamtos mokslai, informatika, N009)
prof. dr. Alexander Schlaefer (Hamburgo technologijos universitetas, Vokietija, gamtos mokslai, informatika, N009)
Disertacijos gynimas vyks Kauno technologijos universiteto Rektorato salėje (K. Donelaičio g. 73-402, Kaunas)
Su disertacija galima susipažinti Kauno technologijos universiteto bibliotekoje (Gedimino g. 50, Kaunas) ir internete: M. Bacevičiaus el. disertacija.pdf
© M. Bacevičius, 2026 „Disertacijos tekstą draudžiama kopijuoti, platinti, išleisti, viešai skelbti, įskaitant padarymą viešai prieinamu kompiuterių tinklais (internete), atgaminti bet kokia forma ir priemonėmis, įskaitant, bet neapsiribojant, elektroniniais, mechaniniais ar kitais būdais. Vadovaujantis Lietuvos Respublikos autorių teisių ir gretutinių teisių įstatymo 25 str. 1 dalimi, asmuo su negalia, kuriam kyla sunkumų perskaityti internete skelbiamos disertacijos dokumentą, ir kiek tai pateisinama konkrečia negalia, su prašymu dėl dokumento pateikimo kita forma turi kreiptis el. p. doktorantura@ktu.lt.“
Anotacija: Disertacijoje sprendžiama viena aktualiausių šiuolaikinio kibernetinio saugumo problemų – kaip užtikrinti ne tik aukštą kibernetinių atakų detekcijos tikslumą, bet ir naudojamų dirbtinio intelekto (DI) sprendimų paaiškinamumą bei patikimumą dirbant su aukšto dimensiškumo ir nesubalansuotuose tinklo srautų duomenimis. Nors giliojo mokymosi metodai pasižymi aukštu klasifikavimo tikslumu, jų praktinį taikymą kritinėje infrastruktūroje riboja „juodosios dėžės“ veikimo principas. Deja, lokalaus paaiškinamumo DI metodų efektyvumas stipriai priklauso nuo duomenų charakteristikų ir požymių tarpusavio priklausomybių, todėl jie dažnai generuoja nestabilius ir nepatikimus paaiškinimus. Šio darbo tikslas – sukurti ir eksperimentiškai ištirti aiškinamuoju DI grįstą daugiaklasę kibernetinių atakų detekcijos metodiką, skirtą aukšto dimensiškumo ir klasių disbalansu pasižyminčių tinklo srautų analizei, užtikrinant tiek aukštą klasifikavimo našumą, tiek stabilių ir patikimų paaiškinimų generavimą. Pasiūlytas sprendimas integruoja hibridinį gilaus autoenkoderio ir giliojo neuroninio tinklo (DAE-DNN) klasifikatorių bei naują, kopulomis grįstą LIME (CoLIME) metodą. Sukurta DAE-DNN architektūra leidžia pasiekti aukštą klasifikavimo efektyvumą (svertinis F1 įvertis – 0,9976), kartu užtikrinant 35–55 % spartesnį veikimą lyginant su kitomis giliojo mokymosi architektūromis. Naujas metodas CoLIME leidžia sugeneruoti paaiškinimus, kurie tiksliau atspindi klasifikatoriaus elgseną. Eksperimentiniai tyrimai parodė, kad siūloma metodika paaiškinimų stabilumą padidina 4,86–32,64 %, o patikimumą – 13,26–188,64 %.