Магістерські роботи кафедри Електронні обчислювальнi машини (КЕОМ)

Permanent URI for this collection

http://crust.ust.edu.ua/handle/123456789/12578
UK: Магістерські роботи кафедри Електронні обчислювальнi машини (КЕОМ)
EN: Master Thesis "Electronic Computers"

Browse

Browsing Магістерські роботи кафедри Електронні обчислювальнi машини (КЕОМ) by Author "Биковська, Дар'я Григорівна"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Визначення мережевих атак з використанням методів штучного інтелекту
    (Дніпровський національний університет залізничного транспорту ім. акад. В. Лазаряна, Дніпро, 2020) Биковська, Дар'я Григорівна
    UK: У дипломній магістерській роботі виконано огляд методів штучного інтелекту для визначення мережевих атак на комп’ютерну мережу. У якості математичного апарату використані SOM (Self Organizing Maps) та MLP (Multi Layer Perceptron). Для визначення мережевих атак створений програмний комплекс, в основу якого покладені наступні моделі: «SOM_Clon», що написана на С++, для визначення категорії мережевої атаки: DоS, Probe, R2L, U2R (на першому етапі); «MLP», що написана на «Python» з використанням бібліотек машинного навчання, для визначення класу мережевої атаки відповідно до категорії (на другому етапі). У програмній моделі «SOM_Clon» для формування навчальної вибірки використовуються дані КDD-99 та алгоритм клональної селекції. На базі створеного програмного комплексу проведені наступні дослідження: визначення оптимальних параметрів MLР-DоS, MLР-Probe, MLР-R2L, MLР-U2R (перше дослідження); визначення показників оцінки якості отриманих рішень (друге дослідження). Відповідно до першого дослідження проведена оцінка точності та середньоквадратичної логарифмічної помилки (Mean Squared Logarithmic Error, MSLE) від кількості епох навчання за різними функціями активації та різною кількістю прихованих нейронів при різних алгоритмах оптимізації навчання. Визначено, що для виявлення класу атак категорії DоS достатньо мати нейронну мережу конфігурації 29-1-25-6 з логістичною функцією у прихованому шарі та функцією Softmax на результуючому шарі, яка за алгоритмом AdaDelta за 25 епох надає точність в 99,82 % на основі навчальної вибірки із 849 прикладів. Відповідно до другого дослідження отримані значення показників якості (TPR, FPR, CCR та ICR) від довжини навчальної вибірки.