Masterproef
In onze opleiding staat een ervaring in het werkveld centraal. Daarom worden masterproeven zoveel mogelijk in samenwerking met de industrie georganiseerd. Hieronder vind je een selectie aan recente masterproeven, waarvan enkele ook een prijs in de wacht sleepten.
Interesse om als bedrijf of andere instelling een toekomstig ingenieur zijn eerste stappen te laten zetten op de arbeidsmarkt? Neem dan zeker een kijkje bij Samenwerken!
Om machines in staat te stellen complexere vragen te beantwoorden, moeten ze de semantiek van webpagina's beter begrijpen. Het Semantische Web breidt het huidige web hiervoor uit met het Resource Description Framework (RDF), dat informatie beschrijft in een voor machines leesbare en begrijpelijke taal. Om RDF-informatie op te vragen, is de SPARQL-querytaal ontwikkeld. Het beantwoorden van een query die een grote hoeveelheid gegevens manipuleert, is een rekenintensieve taak, waarvan het resultaat vaak niet hergebruikt kan worden. Dit onderzoek richt zich daarom op het verbeteren van de herbruikbaarheid van query's. Dit wordt bereikt door een query op te splitsen in meerdere onderdelen, die elk afzonderlijk kunnen worden uitgevoerd en later hergebruikt. Deze deelresultaten worden zodanig gekozen dat ze efficiënt gecombineerd kunnen worden om zowel de oorspronkelijke query als mogelijke toekomstige query's te beantwoorden.
Netwerk- en computerbeveiliging is een voortdurende strijd tegen hackers, waarbij een firewall alleen niet volstaat om grote netwerken met gevoelige gegevens adequaat te beveiligen. Intrusion Detection Systems (IDS) bieden een extra beveiligingslaag, maar traditionele methoden die op signatuurmatching vertrouwen zijn relatief eenvoudig te omzeilen en vaak niet effectief tegen nieuwe aanvalsmethoden. Machine learning biedt nieuwe mogelijkheden om afwijkend netwerkverkeer te detecteren, maar daarvoor moet het netwerkverkeer eerst worden voorbewerkt.
Deze masterproef introduceert RustiFlow, een snelle en efficiënte tool die netwerkdata opdeelt in flows met afgeleide kenmerken (features), waarmee machine learning-modellen voorspellingen kunnen doen. RustiFlow verwerkt zowel pcaps als realtime netwerkverkeer dat wordt uitgelezen via een netwerkinterface. Gebouwd met de programmeertaal Rust en eBPF-technologie, biedt RustiFlow een prestatieverbetering van 800% ten opzichte van zijn voorgangers, met aanzienlijke verbeteringen in stabiliteit. Dit maakt het een belangrijke vooruitgang voor IDS-systemen in grote netwerken.
Deze masterproef introduceert RustiFlow, een snelle en efficiënte tool die netwerkdata opdeelt in flows met afgeleide kenmerken (features), waarmee machine learning-modellen voorspellingen kunnen doen. RustiFlow verwerkt zowel pcaps als realtime netwerkverkeer dat wordt uitgelezen via een netwerkinterface. Gebouwd met de programmeertaal Rust en eBPF-technologie, biedt RustiFlow een prestatieverbetering van 800% ten opzichte van zijn voorgangers, met aanzienlijke verbeteringen in stabiliteit. Dit maakt het een belangrijke vooruitgang voor IDS-systemen in grote netwerken.
Bij het volgen van wielerwedstrijden vanuit helikopterbeelden is het onderscheid tussen wielerploegen uitdagend vanwege de snelle bewegingen en gelijkende teamuniformen. Handmatige methoden voor teamherkenning zijn vaak tijdrovend en foutgevoelig. Dit onderzoek stelt een methodologie voor die gebruikmaakt van YOLOv8 voor objectdetectie en Siamese neurale netwerken voor one-shot teamherkenning. Deze aanpak maakt een efficiënte en automatische teamclassificatie mogelijk met minimale input. Daarnaast wordt augmented reality (AR) in combinatie met 3D-pose schatting ingezet om realtime informatie, zoals namen en snelheden van renners, aan de uitzending toe te voegen. De voorgestelde methode verbetert zowel de nauwkeurigheid van de teamherkenning als de informatieve waarde van de kijkervaring tijdens wielerwedstrijden.