РОЗПОДІЛЕНА САМООРГАНІЗОВАНА СИСТЕМА ПРОГНОЗУВАННЯ ЗЛОВМИСНОЇ АКТИВНОСТІ В КОМП’ЮТЕРНИХ МЕРЕЖАХ

MEASURING AND COMPUTING DEVICES IN TECHNOLOGICAL PROCESSES Pub Date : 2022-12-29 DOI:10.31891/2219-9365-2022-72-4-5

Антоніна Каштальян, Денис Любінецький

{"title":"РОЗПОДІЛЕНА САМООРГАНІЗОВАНА СИСТЕМА ПРОГНОЗУВАННЯ ЗЛОВМИСНОЇ АКТИВНОСТІ В КОМП’ЮТЕРНИХ МЕРЕЖАХ","authors":"Антоніна Каштальян, Денис Любінецький","doi":"10.31891/2219-9365-2022-72-4-5","DOIUrl":null,"url":null,"abstract":"У 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 може працювати із штучними та реальними даними і, навіть, за раптових або повторюваних відхилень.","PeriodicalId":128911,"journal":{"name":"MEASURING AND COMPUTING DEVICES IN TECHNOLOGICAL PROCESSES","volume":"22 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2022-12-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"MEASURING AND COMPUTING DEVICES IN TECHNOLOGICAL PROCESSES","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.31891/2219-9365-2022-72-4-5","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

Abstract

У 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 може працювати із штучними та реальними даними і, навіть, за раптових або повторюваних відхилень.

查看原文本刊更多论文

本文利用深度学习算法开发了一种预测计算机网络恶意活动的自组织系统。此外，还介绍了一种用 Python 编程语言编写的名为 FG-SOINN 的新型自组织增量神经网络。在 SOINN 中，节点和边的移除由两个参数决定，这两个参数需要使用交叉验证或类似的重采样方法对每个可用应用进行优化。FG-SOINN 将去除节点和边作为学习过程的一个组成部分，从而解决了这一缺陷。我们提出了三个概念来制定 "垃圾遗忘"：停机时间、可靠性和有用性，网络据此删除节点和边。该网络基于 "无师自通 "的概念，可以处理人工数据和真实数据，甚至可以处理突然或反复出现的偏差。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

MEASURING AND COMPUTING DEVICES IN TECHNOLOGICAL PROCESSES

自引率

0.00%

发文量