V tejto práci sa venujeme situačnému povedomiu, ktoré v oblasti kybernetickej bezpečnosti zohráva kľúčovú úlohu v identifikácii bezpečnostných hrozieb v dynamickom digitálnom prostredí. Cieľom predikcie situačného povedomia je lepšie predvídať a reagovať na kybernetické bezpečnostné hrozby. Pre sledovanie situačného povedomia môžeme využívať rôzne systémy, jedným z príkladov sú honeypoty a honeynety. Ich úlohou je napodobňovať reálny systém, a tým prilákať útočníkov a umožniť im vykonávanie útokov. Zaznamenávaním ich aktivít získame cenné informácie o aktuálne využívaných taktikách a technikách, čo nám následne umožňuje to reprezentovať ako situačné povedomie. Našim cieľom je pripraviť dataset časových radov obsahujúci dáta zozbierané z honeypotov a honeynetov čo zahŕňa analýzu vytvorených datasetov a výber relevantných parametrov, ktoré budeme skúmať. Kľúčovým prínosom našej práce je implementácia a vyhodnotenie predikčných modelov strojového učenia ako napríklad SVM, rozhodovacích stromov, LSTM a GRU. Naša práca zahŕňa aj implementáciu systému pre predikciu vývoja situačného povedomia vrátane grafického rozhrania, ktoré umožní interaktívne preskúmať získané dáta a identifikovať potenciálne bezpečnostné hrozby na základe predikcií, čím posilňuje obranné mechanizmy v kybernetickej bezpečnosti. Tento prístup zvyšuje situačné povedomie nie len o aktuálnych ale aj o budúcich hrozbách a tým otvára nové možnosti pre rozvoj pokročilých bezpečnostných nástrojov.