A modern, mikroszolgáltatás-alapú architektúrák (pl. Kubernetes) terjedésével a hálózati forgalom komplexitása drasztikusan megnőtt. A hagyományos, szabályalapú biztonsági és forgalomirányítási megoldások már nem nyújtanak elegendő védelmet és hatékonyságot. A kutatás célja olyan gépi tanulási (ML) modellek vizsgálata és implementálása, amelyek képesek a dinamikus hálózati forgalom valós idejű elemzésére.

Főbb feladatok:

A Kubernetes hálózati architektúrájának és az adatgyűjtési lehetőségeknek (pl. eBPF, Service Mesh, Sidecar proxy) áttekintése.
Hálózati forgalmi adatok (flow adatok, csomagjellemzők) gyűjtésére szolgáló pipeline tervezése.
Gépi tanulási algoritmusok (pl. anomáliadetekció, osztályozás) fejlesztése és tanítása kártékony forgalom (pl. DoS, behatolási kísérletek) felismerésére vagy forgalmi trendek előrejelzésére.
A modell integrálása egy prototípus rendszerbe, amely képes jelzéseket adni vagy automatikus beavatkozást kezdeményezni.
A kidolgozott megoldás teljesítményének és pontosságának validálása különböző forgalmi szcenáriók mellett.
Elvárások / Előfeltételek:

Hálózati alapismeretek (TCP/IP stack).
Programozási ismeretek (preferáltan Python).
Érdeklődés a konténerizáció (Docker/Kubernetes) és a mesterséges intelligencia iránt.