Academic literature on the topic 'Algoritmi di apprendimento automatico'

While the use of artificial intelligence (AI) and machine-learning algorithms in the context of armed conflicts has been subject to scholarly and political debate for at least the past half-decade, to date discussions have focused on the possible development and deployment of lethal autonomous weapon systems. Going beyond this narrow perspective, the article draws attention to other military uses of AI that are conceivable or in fact already exist, for example for the purpose of detention, force protection, equipment maintenance, or reconnaissance. It critically examines these different applications from a legal and ethical perspective, exposing some of the challenges inherent in the technology such as algorithmic bias or predictability. On the basis of existing and emerging approaches to the regulation of ‘civilian’ AI, the article concludes by proposing a granular, tiered way to future regulation of military AI that proceeds from the criticality of each particular application. Alors que le recours à l’intelligence artificielle et aux algorithmes d’apprentissage automatique dans le contexte des conflits armés a fait l’objet d’un débat entre spécialistes et au niveau politique durant au moins ces cinq dernières années, les discussions se sont concentrées jusqu’alors sur le développement et le déploiement possibles de systèmes d’armes létaux autonomes. Cet article va au-delà de cette perspective restrictive et attire l’attention sur d’autres usages militaires de l’intelligence artificielle qui sont concevables ou qui existent déjà, par exemple à des fins de détention, de protection des forces armées, d’entretien de l’équipement ou de reconnaissance. Il examine de manière critique ces différentes applications d’un point de vue légal et éthique, en exposant certains des défis inhérents à la technologie, tels que le biais algorithmique ou la prévisibilité. En se basant sur des approches existantes ou émergentes relatives à la réglementation de l’intelligence artificielle «civile», l’article propose pour conclure une approche graduelle de la future réglementation en matière d’intelligence artificielle, en partant du caractère critique de chaque application particulière. Hoewel het gebruik van artificiële intelligentie (AI) en machine learning-algoritmen in de context van gewapende conflicten al gedurende minstens de laatste vijf jaar onderwerp is van wetenschappelijk en politiek debat, zijn de discussies tot nu toe vooral gericht geweest op de mogelijke ontwikkeling en inzet van dodelijke autonome wapensystemen. Het artikel gaat verder dan dit beperkte perspectief en vestigt de aandacht op andere militaire toepassingen van AI die denkbaar zijn of in feite al bestaan, bijvoorbeeld voor detentie, troepenbescherming, materieelonderhoud of verkenning. Deze verschillende toepassingen worden kritisch onderzocht vanuit een juridisch en ethisch perspectief, waarbij enkele uitdagingen worden blootgelegd die inherent zijn aan de technologie, zoals algoritmische vooringenomenheid of voorspelbaarheid. Op basis van bestaande en opkomende benaderingen van de reglementering van “civiele” AI, wordt in het artikel tot slot een stapsgewijze manier voorgesteld voor de toekomstige reglementering van militaire AI, die uitgaat van het kritische karakter van elke specifieke toepassing. Mentre l’uso dell’intelligenza artificiale (AI) e degli algoritmi di apprendimento automatico nel contesto dei conflitti armati è stato oggetto di dibattito accademico e politico per almeno l’ultimo mezzo decennio, ad oggi le discussioni si sono concentrate sul possibile sviluppo e dispiegamento di sistemi d’arma autonomi letali. Superando questa limitata prospettiva, l’articolo richiama l’attenzione su altri usi militari dell’IA immaginari o che di fatto già esistono, per esempio a scopo di detenzione, protezione delle forze, manutenzione delle attrezzature o ricognizione. L’articolo esamina criticamente queste diverse applicazioni da una prospettiva legale ed etica, mettendo in luce alcune sfide insite nella tecnologia, come la distorsione algoritmica o la prevedibilità. Sulla base degli approcci esistenti ed emergenti alla regolamentazione dell’IA “civile”, l’articolo conclude proponendo una precisa e graduale via per la futura regolamentazione dell’IA militare che consegue alla criticità di ogni particolare applicazione. Si bien el empleo de inteligencia artificial (IA) y de algoritmos de aprendizaje automático en el contexto de los conflictos armados ha sido objeto de debate académico y político durante al menos la última media década, hasta la fecha las discusiones se han centrado en el posible desarrollo y despliegue de sistemas letales de armas autónomos. Más allá de esta perspectiva particular, el artículo llama la atención sobre otros usos militares de la IA que son concebibles o que de hecho, por ejemplo, ya existen con fines de detención, protección de la fuerza, mantenimiento de equipos o reconocimiento. Se examinan críticamente estas diferentes aplicaciones desde una perspectiva legal y ética, exponiendo algunos de los desafíos inherentes a la tecnología, como el sesgo algorítmico o la previsibilidad. Partiendo de la base de los enfoques ya existentes y emergentes para la regulación de la IA “civil”, el artículo concluye proponiendo una alternativa granular y escalonada de cara a la futura regulación de la IA militar con fundamento en un análisis crítico de cada aplicación en particular. Obwohl die Anwendung von künstlicher Intelligenz (KI) und von Algorithmen für maschinelles Lernen im Kontext bewaffneter Konflikte mindestens in den letzten fünf Jahren Gegenstand wissenschaftlicher und politischer Debatten gewesen ist, fokussierten die Diskussionen bisher auf die mögliche Entwicklung und den möglichen Einsatz letaler autonomer Waffensysteme. Über diesen Gesichtspunkt hinaus lenkt der Artikel die Aufmerksamkeit auf andere denkbare oder tatsächlich bereits existierende militärische Anwendungen der KI, zum Beispiel zum Zwecke der Haft, des Schutzes der eigenen Kräfte, der Ausrüstungswartung oder Aufklärung. Der Autor prüft diese verschiedenen Anwendungen kritisch aus gesetzlicher und ethischer Sicht, und legt dabei einige der Herausforderungen offen, die der Technologie inhärent sind, wie algorithmische Voreingenommenheit oder Voraussagbarkeit. Auf der Basis existierender und neu aufkommender Vorgehensweisen in Bezug auf die Reglementierung “ziviler” KI schlägt der Artikel zum Schluss eine stufenweise künftige Reglementierung militärischer KI vor, die von der Kritikalität jeder besonderen Anwendung ausgeht.

Scegliere le zone più idonee per la coltivazione di una determinata varietà è una decisione difficile e di ampio spettro che coinvolge non solo gli agricoltori, ma tutta la filiera coinvolta nel processo, dalla produzione alla vendita. La scelta varietale ha ripercussioni economiche di lungo termine. In tale prospettiva, con KULTIVAS vorremmo proporre un approccio data-driven a questo importante problema del settore melicolo. In questo progetto, dati storici selezionati sulla produttività e qualità delle mele, moderni sistemi di gestione dei dati, algoritmi e tecniche di apprendimento automatico sono stati impiegati adottando un approccio multidisciplinare che coinvolge esperti di diversi settori, quali agronomia, fisiologia, climatologia e informatica, per valutare l'idoneità sito- specifica alla coltivazione di determinate varietà di mele. Il modello di previsione sviluppato nell’ambito del progetto si basa su dati climatici e topografici interpolati spazialmente, oltre che su dati di produzione e qualità delle mele provenienti da diverse cooperative altoatesine. Usando informazioni spazialmente disponibili sul clima, il modello è in grado di stimare vari parametri di produzione, come calibro, colore e resa. La previsione degli indicatori predetti dal modello statistico è più̀ precisa quanto più̀ il set di dati di training copre la variabilità̀ climatica e topografica delle aree di indagine. In aree con caratteristiche al di fuori di questa variabilità, il modello avrà un potere predittivo limitato. I risultati di questo studio saranno arricchiti con dati provenienti da altre località e valutando ulteriori algoritmi per la corrispondenza geografica dei dati di cernita, in quanto il set di dati influenza in maniera importante i risultati.

Il seguente lavoro ha come obbiettivo lo studio dei metodi kernel nell'apprendimento automatico. Partendo dalla definizione di spazi di Hilbert a nucleo riproducente vengono esaminate le funzioni kernel e i metodi kernel. In particolare vengono analizzati il kernel trick e il representer theorem. Infine viene dato un esempio di problema dell'apprendimento automatico supervisionato, il problema di regressione lineare del kernel, risolto attraverso il representer theorem.

La tesi da me svolta durante questi ultimi sei mesi è stata sviluppata presso i laboratori di ricerca di IMA S.p.a.. IMA (Industria Macchine Automatiche) è una azienda italiana che naque nel 1961 a Bologna ed oggi riveste il ruolo di leader mondiale nella produzione di macchine automatiche per il packaging di medicinali. Vorrei subito mettere in luce che in tale contesto applicativo l’utilizzo di algoritmi di data-mining risulta essere ostico a causa dei due ambienti in cui mi trovo. Il primo è quello delle macchine automatiche che operano con sistemi in tempo reale dato che non presentano a pieno le risorse di cui necessitano tali algoritmi. Il secondo è relativo alla produzione di farmaci in quanto vige una normativa internazionale molto restrittiva che impone il tracciamento di tutti gli eventi trascorsi durante l’impacchettamento ma che non permette la visione al mondo esterno di questi dati sensibili. Emerge immediatamente l’interesse nell’utilizzo di tali informazioni che potrebbero far affiorare degli eventi riconducibili a un problema della macchina o a un qualche tipo di errore al fine di migliorare l’efficacia e l’efficienza dei prodotti IMA. Lo sforzo maggiore per riuscire ad ideare una strategia applicativa è stata nella comprensione ed interpretazione dei messaggi relativi agli aspetti software. Essendo i dati molti, chiusi, e le macchine con scarse risorse per poter applicare a dovere gli algoritmi di data mining ho provveduto ad adottare diversi approcci in diversi contesti applicativi: • Sistema di identificazione automatica di errore al fine di aumentare di diminuire i tempi di correzione di essi. • Modifica di un algoritmo di letteratura per la caratterizzazione della macchina. La trattazione è così strutturata: • Capitolo 1: descrive la macchina automatica IMA Adapta della quale ci sono stati forniti i vari file di log. Essendo lei l’oggetto di analisi per questo lavoro verranno anche riportati quali sono i flussi di informazioni che essa genera. • Capitolo 2: verranno riportati degli screenshoot dei dati in mio possesso al fine di, tramite un’analisi esplorativa, interpretarli e produrre una formulazione di idee/proposte applicabili agli algoritmi di Machine Learning noti in letteratura. • Capitolo 3 (identificazione di errore): in questo capitolo vengono riportati i contesti applicativi da me progettati al fine di implementare una infrastruttura che possa soddisfare il requisito, titolo di questo capitolo. • Capitolo 4 (caratterizzazione della macchina): definirò l’algoritmo utilizzato, FP-Growth, e mostrerò le modifiche effettuate al fine di poterlo impiegare all’interno di macchine automatiche rispettando i limiti stringenti di: tempo di cpu, memoria, operazioni di I/O e soprattutto la non possibilità di aver a disposizione l’intero dataset ma solamente delle sottoporzioni. Inoltre verranno generati dei DataSet per il testing di dell’algoritmo FP-Growth modificato.

Lo scopo di questo elaborato consiste principalmente in una presentazione generale e teorica dei fondamenti dell'Apprendimento Automatico, dei suoi paradigmi principali e dell’applicazione concreta di due di queste tecniche nei giochi di strategia. Nel primo caso di studio è stato descritto il processo che si cela dietro l’addestramento di una rete neurale per giocare a Tris; nel secondo, invece, è stata riporta l’esperienza che mostra come sia possibile addestrare un giocatore di scacchi attraverso le annotazioni di gioco.

Il framework in oggetto, è un ambiente ideato con lo scopo di applicare tecniche di Machine Learning (in particolare le Random Forest) alle funzionalità dell'algoritmo di stereo matching SGM (Semi Global Matching), al fine di incrementarne l'accuratezza in versione standard. Scopo della presente tesi è quello di modificare alcune impostazioni di tale framework rendendolo un ambiente che meglio si adatti alla direzionalità delle scanline (introducendo finestre di supporto rettangolari e ortogonali e il training di foreste separate in base alla singola scanline) e ampliarne le funzionalità tramite l'aggiunta di alcune nuove feature, quali la distanza dal più vicino edge direzionale e la distintività calcolate sulle immagini Left della stereo pair e gli edge direzionali sulle mappe di disparità. Il fine ultimo sarà quello di eseguire svariati test sui dataset Middlebury 2014 e KITTI e raccogliere dati che descrivano l'andamento in positivo o negativo delle modifiche effettuate.

Il fare predizioni si fonda sulla comprensione degli schemi del nostro ambiente. Possiamo aver accesso alla realtà fisica grazie a strumenti di misura che ci forniscono dati nei quali speriamo di trovare schemi utili. Lo sviluppo delle macchine calcolatrici ha permesso di stoccare grandi insiemi di dati e di processarli ad alta velocità. L’apprendimento automatico studia sistemi capaci di automatizzare l’identificazione di schemi in grandi insiemi di dati utilizzando i computer. L’apprendimento automatico è al cuore della scienza dei dati e dell’intelligenza artificiale, due campi di ricerca che stanno cambiando l’economia e la società in cui viviamo. I sistemi di apprendimento automatico sono solitamente addestrati ed eseguiti su potenti cluster di computer composti da centinaia o migliaia di macchine. Oggigiorno, la miniaturizzazione dei dispositivi di calcolo sta permettendo di utilizzarli su sistemi, alimentati a batteria, posizionati in ambienti diversi. Rispetto ai cluster di computer, questi dispositivi sono molto meno potenti, ma hanno il vantaggio di essere più vicini alla sorgente dei dati. Da un lato, questo estende il numero di applicazioni dei sistemi di apprendimento automatico; dall’altro, le limitazioni fisiche delle macchine calcolatrici richiedono di identificare metriche appropriate per valutare l’idoneità di sistemi di apprendimento automatico differenti in un contesto dato. In particolare, questi sistemi dovrebbero essere valutati basandosi non solo sulle loro proprietà modellistiche e statistiche, ma anche sui loro costi algoritmici e sulla loro idoneità a diverse architetture di calcolatori. In questa tesi, analizziamo le proprietà modellistiche, algoritmiche ed architetturali di diversi sistemi di apprendimento automatico. Presentiamo il metodo fingerprint, un sistema che è stato sviluppato per risolvere un problema di strategia commerciale in cui l’accuratezza statistica è più importante dei vincoli di latenza o di consumo energetico. Dopodiché, analizziamo le reti neurali artificiali e discutiamo le loro proprietà computazionali; descriviamo anche un esempio di applicazione, un modello che abbiamo progettato per identificare le cause oggettive di percezioni soggettive alla guida. Infine, descriviamo ed analizziamo le reti neurali quantizzate, reti neurali artificiali che usano insiemi finiti per i parametri e funzioni di attivazione a scala. Queste limitazioni pongono problemi matematici non banali, ma le reti neurali quantizzate possono essere eseguite in modo estremamente efficiente su acceleratori hardware dedicati, rendendole candidate ideali per utilizzare l’apprendimento automatico su computer edge. In particolare, mostriamo che le reti neurali quantizzate sono equivalenti alle reti neurali artificiali classiche (quantomeno sull’insieme di bersagli rappresentato dalle funzioni continue definite su domini compatti); presentiamo anche un nuovo algoritmo di apprendimento basato sul gradiente, chiamato additive noise annealing, basato sull’effetto regolarizzante del rumore additivo sull’argomento di funzioni discontinue, riportando risultati allo stato dell’arte su benchmark di classificazione d’immagini.
Making predictions is about getting insights into the patterns of our environment. We can access the physical world through media, measuring instruments, which provide us with data in which we hope to find useful patterns. The development of computing machines has allowed storing large data sets and processing them at high speed. Machine learning studies systems which can automate the detection of patterns in large data sets using computers. Machine learning lies at the core of data science and artificial intelligence, two research fields which are changing the economy and the society in which we live. Machine learning systems are usually trained and deployed on powerful computer clusters composed by hundreds or thousands of machines. Nowadays, the miniaturisation of computing devices is allowing deploying them on battery-powered systems embedded into diverse environments. With respect to computer clusters, these devices are far less powerful, but have the advantage of being nearer to the source of the data. On one side, this increases the number of applications of machine learning systems; on the other side, the physical limitations of the computing machines require identifying proper metrics to assess the fitness of different machine learning systems in a given context. In particular, these systems should be evaluated according not only to their modelling and statistical properties, but also to their algorithmic costs and their fitness to different computer architectures. In this thesis, we analyse modelling, algorithmic and architectural properties of different machine learning systems. We present the fingerprint method, a system which was developed to solve a business intelligence problem where statistical accuracy was more important than latency or energy constraints. Then, we analyse artificial neural networks and discuss their appealing computational properties; we also describe an example application, a model we designed to identify the objective causes of subjective driving perceptions. Finally, we describe and analyse quantized neural networks, artificial neural networks which use finite sets for the parameters and step activation functions. These limitations pose challenging mathematical problems, but quantized neural networks can be executed extremely efficiently on dedicated hardware accelerators, making them ideal candidates to deploy machine learning on edge computers. In particular, we show that quantized neural networks are equivalent to classical artificial neural networks (at least on the set of targets represented by continuous functions defined on compact domains); we also present a novel gradient-based learning algorithm for, named additive noise annealing, based on the regularisation effect of additive noise on the argument of discontinuous functions, reporting state-of-the-art results on image classification benchmarks.

I video rappresentano oggi il mezzo più diffuso di condivisione delle informazioni. Con la loro diffusione, sono aumentate anche le esigenze di categorizzazione e di comprensione dei contenuti in modo automatico, sia per scopi di intrattenimento che per scopi professionali. In questa tesi vengono esplorati e progettati algoritmi e soluzioni per il riconoscimento automatico di azioni e per la loro localizzazione spazio-temporale nei video, utilizzando tecnologie multimediali e basate sul deep learning. Il lavoro non si limita alla valutazione quantitativa degli approcci proposti, al solo fine di migliorare le prestazioni su specifici task, ma affronta alcuni problemi che derivano dalla gestione dei contenuti video. Spesso i video coinvolgono persone e comportano problemi relativi alla loro privacy che non sono ancora investigati abbastanza dalla comunità scientifica. Inoltre, data la loro complessità e variabilità, i video rappresentano un tipo di dato difficile da elaborare e che richiede grandi risorse computazionali. Oltre allo scenario applicativo, questa tesi affronta anche problemi relativi alla sensibilità dei dati e alle risorse computazionali. Nella prima parte della tesi viene indagato il riconoscimento simultaneo di più attori e la classificazione delle loro azioni nei video, sfruttando interazioni sia spaziali che temporali tra le persone e gli oggetti circostanti. Viene poi progettata una rete neurale artificiale per l'individuazione di azioni salienti nelle partite di calcio, in collaborazione con Metaliquid SRL. Riguardo la privacy e i dati sensibili, viene proposto un nuovo metodo per mascherare l'identità delle persone nei video preservando la capacità dei modelli di predire le azioni in modo corretto. Infine, dal punto di vista computazionale, viene sviluppato un algoritmo per ridurre le dimensioni e l'utilizzo delle risorse delle reti neurali artificiali per il riconoscimento di azioni, mantenendo le prestazioni invariate. Questi aspetti della rappresentazione dei video vengono esaminati separatamente, rivelandosi generalizzabili in diversi scenari e rendendo più semplice la creazione di modelli di riconoscimento delle azioni efficienti e nel rispetto della privacy degli attori coinvolti. Tutte le alternative e le soluzioni presentate in questo lavoro si basano sul deep learning, che richiede un'enorme quantità di dati per l'apprendimento delle rappresentazioni video.
Video clips represent the most pervasive means of disseminating information nowadays. With their outbreak, needs for automatic categorization and content understanding have also increased, both for entertainment purposes and professional ones. In the context of multimedia and deep learning technologies for video comprehension, we explore and devise video-based algorithms and state-of-the-art solutions to tackle action recognition and fine-grained action localization. Our research is not limited to the quantitative evaluation of the proposed approaches for improving performance on specific tasks. We observe that handling video content usually brings some drawbacks. Videos often involve human actors and could arise privacy issues that are not yet sufficiently investigated by the computer vision community. Moreover, given their complexity and variability, videos are not easy to process and often require large computational resources. In addition to the application scenario, this thesis tackles two main challenges related to automatic video processing, namely privacy issues and computation. In the application part, we investigate the simultaneous detection of multiple actors and the classification of their actions, by exploiting interactions between people and surrounding objects, both in space and time. We also explore a more production-oriented application, in collaboration with Metaliquid SRL and in line with the company’s needs, by devising a deep network for salient action spotting in broadcast soccer matches. Regarding the privacy issue, we propose a novel strategy for masking people’s identities in video clips while preserving the ability of action recognition models to predict correct class labels. Finally, from the computational perspective, we develop an algorithm for reducing the size and resource utilization of existing deep neural networks, while keeping performances. These three aspects of video modeling are investigated separately but have proved to be generalizable, making it easier to build efficient and privacy-preserving action recognition models. All the alternatives and solutions presented in this work build upon deep learning, requiring a huge amount of data for learning video representations.

Oggi, grazie al continuo progredire della tecnologia, in tutti i sistemi di produzione industriali si trova almeno un macchinario che permette di automatizzare determinate operazioni. Alcuni di questi macchinari hanno un sistema di visione industriale (machine vision), che permette loro di osservare ed analizzare ciò che li circonda, dotato di algoritmi in grado di operare alcune scelte in maniera automatica. D’altra parte, il continuo progresso tecnologico che caratterizza la realizzazione di sensori di visione, ottiche e, nell’insieme, di telecamere, consente una sempre più precisa e accurata acquisizione della scena inquadrata. Oggi, esigenze di mercato fanno si che sia diventato necessario che macchinari dotati dei moderni sistemi di visione permettano di fare misure morfometriche e dimensionali non a contatto. Ma le difficoltà annesse alla progettazione ed alla realizzazione su larga scala di sistemi di visione industriali che facciano misure dimensioni non a contatto, con sensori 2D, fanno sì che in tutto il mondo il numero di aziende che producono questo tipo di macchinari sia estremamente esiguo. A fronte di capacità di calcolo avanzate, questi macchinari necessitano dell’intervento di un operatore per selezionare quali parti dell’immagine acquisita siano d’interesse e, spesso, anche di indicare cosa misurare in esse. Questa tesi è stata sviluppata in sinergia con una di queste aziende, che produce alcuni macchinari per le misure automatiche di pezzi meccanici. Attualmente, nell’immagine del pezzo meccanico vengono manualmente indicate le forme su cui effettuare misure. Lo scopo di questo lavoro è quello di studiare e prototipare un algoritmo che fosse in grado di rilevare e interpretare forme geometriche note, analizzando l’immagine acquisita dalla scansione di un pezzo meccanico. Le difficoltà affrontate sono tipiche dei problemi del “mondo reale” e riguardano tutti i passaggi tipici dell’elaborazione di immagini, dalla “pulitura” dell’immagine acquisita, alla sua binarizzazione fino, ovviamente, alla parte di analisi del contorno ed identificazione di forme caratteristiche. Per raggiungere l’obiettivo, sono state utilizzate tecniche di elaborazione d’immagine che hanno permesso di interpretare nell'immagine scansionata dalla macchina tutte le forme note che ci siamo preposti di interpretare. L’algoritmo si è dimostrato molto robusto nell'interpretazione dei diametri e degli spallamenti trovando, infatti, in tutti i benchmark utilizzati tutte le forme di questo tipo, mentre è meno robusto nella determinazione di lati obliqui e archi di circonferenza a causa del loro campionamento non lineare.

Il tema del riconoscimento di oggetti, siano essi microscopici componenti in grandi catene di assemblaggio o segnali grafici posti su pacchi in spedizione, è uno degli argomenti più rilevanti all'interno del vasto mondo racchiuso nel settore interdisciplinare rappresentato da Computer Vision, inerente all'analisi di immagini al fine di estrapolarne informazioni. Nonostante ciò, l'utilizzo e la configurazione di strumenti (o tool) il cui obiettivo è esattamente quello di rilevare particolari modelli noti a priori in diverse immagini, potrebbe essere un compito particolarmente arduo per un utente medio senza preventiva conoscenza in tale ambito. Al fine di aiutare e guidare tale settore di utenza, lo scopo dell'elaborato sviluppato è, quindi, quello di creare un sistema di ottimizzazione automatica del processo di configurazione di strumenti dediti al Pattern Matching, considerando come study-case il setup del componente software Pattern Sort gentilmente messo a disposizione da Datalogic S.p.A.

Malware (malicious software) is a world wide epidemic that has existed for over than 40 years in various forms. The impact of malware is getting worse and the trend of the 21◦century is to use it to take control of an organized group of machines called botnets. The methodology for malware detection proposed in this dissertation leverages on the useof Network Traffic Data Mining, and Machine Learning algorithms with appropriate feature selection. We defined a complete process for the creation of aneffective and efficient dynamic dataset, which comes updated on a daily bases, to properlytrain Machine Learning (ML) models in combination with an environment for accurate and proactive detection in a monitored network. For identifying complex patterns and traffic features, we adopted Deep Learning malware classification approach following a strategy known as Statistical Flow Analysis that defines the detection standards based on network analysis. The difficulty in detecting malware is that they evolve over time. In this dissertation, we investigate the effectiveness of using the anomalies, detected in the network traffic by security tools to train machine learning supervised models. In particular, in our framework we apply a dynamic system of investigation and a behavioral knowledge base strategy to distinguish malware without erroneously blocking legitimate traffic or increasing false alarms. We used a knowledge base of recent traffic data can be used to predict future traffic patterns and aggregated new synthesized data from log traffic, and we tested different network topologies using Software Defined Networking paradigm to virtualize statistical malware activities.