Розподілена самоорганізована система прогнозування зловмисної активності в комп’ютерних мережах

Скорочена інформація про документ
dc.contributor.authorКаштальян, Антоніна
dc.contributor.authorЛюбінецький, Денис
dc.contributor.authorKashtalian, Antonina
dc.contributor.authorLiubinetskyi, Denys
dc.date.accessioned2023-01-24T08:36:29Z
dc.date.available2023-01-24T08:36:29Z
dc.date.issued2022
dc.description.abstractУ роботі розроблено самоорганізовану систему прогнозування зловмисної активності в комп’ютерній мережі згідно алгоритмів роботи глибокого навчання. Крім того, було представлено нову самоорганізовану інкрементну нейронну мережу під назвою FG-SOINN написану мовою програмування Python. У SOINN видалення вузлів і ребер визначається двома параметрами, які потрібно оптимізувати для кожної наявної програми за допомогою перехресної перевірки або подібних підходів повторної вибірки. FG-SOINN усуває цей недолік, розглядаючи видалення вузлів і ребер як невід’ємну частину процесу навчання. Було сформульовано три концепції для формування «сміттєвого забуття»: час простою, надійність і корисність завдяки чому мережа видаляє вузли та ребра Така мережа базується на концепті «навчання без вчителя» і мож е працювати із штучними та реальними даними і , навіть , за раптових або повторюваних відхилень .uk_UA
dc.description.abstractn this article, a self-rganized computer network protection system based on deep learning algorithms was considered In addition, a new self-organizing incremental neural network called FG-SOINN written in the Python programming language was presented.In the SOINN, node and edge removal is defined by two parameters that need to be optimized for each existing program using cross-validation or similar resampling approaches. FG-SOINN overcomes this drawback by treating node and edge removal as an integral part of the learning process. Three concepts were formulated to form "garbage oblivion": idle time, reliability, and utility by which the network removes nodes and edges. Such a network is based on the concept of "learning without a teacher" and will work both with artificial and real data and even with sudden or repeated deviationst.uk_UA
dc.identifier.citationКаштальян А. Розподілена самоорганізована система прогнозування зловмисної активності в комп’ютерних мережах / А. Каштальян, Д. Любінецький // Вимірювальна та обчислювальна техніка в технологічних процесах. – 2022. – № 4. – C. 49-57.uk_UA
dc.identifier.urihttps://elar.khmnu.edu.ua/handle/123456789/13151
dc.language.isoukuk_UA
dc.publisherХмельницький національний університетuk_UA
dc.subjectсистема виявлення вторгненьuk_UA
dc.subjectаналіз трафікуuk_UA
dc.subjectглибоке навчанняuk_UA
dc.subjectнейронні мережіuk_UA
dc.subjectзловмисна активністьuk_UA
dc.subjectсамоорганізована системаuk_UA
dc.subjectintrusion detection systemuk_UA
dc.subjectself - organized systemuk_UA
dc.subjecttraffic analysisuk_UA
dc.subjectmalicious activityuk_UA
dc.subjectdeep learninguk_UA
dc.subjectneural networksuk_UA
dc.subject.udc004.056 :004.852uk_UA
dc.titleРозподілена самоорганізована система прогнозування зловмисної активності в комп’ютерних мережахuk_UA
dc.title.alternativeDistributed self-organized system for predicting malicious activity in computer networksuk_UA
dc.typeСтаттяuk_UA
Файли
Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
VOTTP_4_2022 v2 49-57.pdf
Розмір:
617.62 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Назва:
license.txt
Розмір:
4.26 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити
Зібрання
ВОТТП - 2022 рік