Наука та прогрес транспорту.

Permanent URI for this communityhttp://crust.ust.edu.ua/handle/123456789/1665

У даному репозитарії представлені електронні версії статей, автори яких є членами співтовариства університету.
Повний випуск кожного видання доступний http://stp.ust.edu.ua/
до 2013 року виходив під назвою "Вісник Дніпропетровського національного університету залізничного транспорту імені академіка В. Лазаряна"

Science and Transport Progress.
This repository contains e-articles whose authors are members of the community of the university.
Full version http://stp.ust.edu.ua/
until 2013 appeared under the title "Bulletin of Dnepropetrovsk National University of Railway Transport named after Academician V. Lazaryan"

Browse

Now showing 1 - 3 of 3

Detection of Attacks on a Computer Network Based on the Use of Neural Networks Complex
(Дніпровський національний університет залізничного транспорту імені академіка В. Лазаряна, Дніпро, 2020) Zhukovyts’kyy, Igor V.; Pakhomova, Victoria M.; Ostapets, Denis O.; Tsyhanok, O. I.
ENG: Purpose. The article is aimed at the development of a methodology for detecting attacks on a computer network. To achieve this goal the following tasks were solved: to develop a methodology for detecting attacks on a computer network based on an ensemble of neural networks using normalized data from the open KDD Cup 99 database; when performing machine training to identify the optimal parameters of the neural network which will provide a sufficiently high level of reliability of detection of intrusions into the computer network. Methodology. As an architectural solution of the attack detection module, a two-level network system is proposed, based on an ensemble of five neural networks of the multilayer perceptron type. The first neural network to determine the category of attack class (DoS, R2L, U2R, Probe) or the fact that there was no attack; other neural networks – to detect the type of attack, if any (each of these four neural networks corresponds to one class of attack and is able to identify types that belong only to this class). Findings. The created software model was used to study the parameters of the neural network configuration 41–1–132–5, which determines the category of the attack class on the computer network. It is determined that the optimal training speed is 0.001. The ADAM algorithm proved to be the best for optimization. The ReLU function is the most suitable activation function for the hidden layer, and the hyperbolic tangent function – for the output layer activation function. Accuracy in test and validation samples was 92.86 % and 91.03 %, respectively. Originality. The developed software model, which uses the Python 3.5 programming lan-guage, the integrated development environment PyCharm 2016.3 and the Tensorflow 1.2 framework, makes it pos-sible to detect all types of attacks of DoS, U2R, R2L, Probe classes. Practical value. Graphical dependencies of accuracy of neural networks at various parameters are received: speed of training; activation function; optimization algorithm. The optimal parameters of neural networks have been determined, which will ensure a sufficiently high level of reliability of intrusion detection into a computer network.
Optimal Route Definition in the Network Based on the Multilayer Neural Model
(Дніпропетровський національний університет залізничного транспорту імені академіка В. Лазаряна, Дніпро, 2018) Pakhomova, Victoria M.; Tsykalo Igor D.
ENG: Purpose. The classic algorithms for finding the shortest path on the graph that underlie existing routing protocols, which are now used in computer networks, in conditions of constant change in network traffic cannot lead to the optimal solution in real time. In this regard, the purpose of the article is to develop a methodology for determining the optimal route in the unified computer network. Methodology. To determine the optimal route in the computer network, the program model "MLP 34-2-410-34" was developed in Python using the TensorFlow framework. It allows toperform the following steps: sample generation (random or balanced); creation of a neural network, the input of which is an array of bandwidth of the computer network channels; training and testing of the neural network in the appropriate samples. Findings. Neural network of 34-2-410-34 configuration with ReLU and Leaky-ReLU activation functions in a hidden layer and the linear activation function in the output layer learns from Adam algorithm. This algorithm is a combination of Adagrad, RMSprop algorithms and stochastic gradient descent with inertia. These functions learn the most quickly in all volumes of the train sample, less than others are subject to reevaluation, and reach the value of the error of 0.0024 on the control sample and in 86% determine the optimal path. Originality. We conducted the study of the neural network parameters based of the calculation of the harmonic mean with different activation functions (Linear, Sigmoid, Tanh, Softplus, ReLU, L-ReLU) on train samples of different volumes (140, 1400, 14000, 49000 examples) and with various neural network training algorithms (BGD, MB SGD, Adam, Adamax, Nadam). Practical value. The use of a neural model, the input of which is an array of channel bandwidth, will allow in real time to determine the optimal route in the computer network.
Визначення оптимального маршруту в комп’ютерній мережі засобами багатошарової нейронної моделі
(Дніпропетровський національний університет залізничного транспорту імені академіка В. Лазаряна, Дніпро, 2018) Пахомова, Вікторія Миколаївна; Цикало, Ігор Дмитрович
UK: Мета. Класичні алгоритми пошуку найкоротшого шляху на графі, що лежать в основі наявних протоколів маршрутизації, які сьогодні використовують у комп’ютерних мережах, в умовах постійної зміни заван-таженості мережі не можуть привести до оптимального рішення в реальному часі. У зв’язку з цим метою статті є розробити методику визначення оптимального маршруту в об’єднаній комп’ютерній мережі. Методика. Для визначення оптимального маршруту в об’єднаній комп’ютерній мережі, що працює за різними технологіями, розроблено на мові Python із використанням фреймворку TensorFlow програмну модель «MLP 34-2-410-34». Вона дозволяє виконувати наступні етапи: генерацію вибірки (випадкову або збалансовану); створення нейронної мережі, на вхід якої подають масив пропускних спроможностей каналів комп’ютерної мережі; навчання й тестування нейронної мережі на відповідних вибірках. Результати. Нейронна мережа конфігурації 34-2-410-34 з функціями активації ReLU та Leaky-ReLU у прихованому шарі та лінійною функцією активації у вихідному шарі навчається за алгоритмом Adam. Цей алгоритм є комбінацією алгоритмів Adagrad, RMSprop та стохастичного градієнтного спуску з інерцією. Зазначені функції навчаються найбільш швидко на всіх обсягах навчальної вибірки, менш за інші піддаються перенавчанню, й досягають значення помилки в 0,0024 на контрольній вибірці й у 86 % визначає оптимальний шлях. Наукова новизна. Проведено дослідження параметрів нейронної мережі на основі розрахунку середнього гармонійного за різних функцій активації (Linear, Sigmoid, Tanh, Softplus, ReLU, L-ReLU) на навчальних вибірках різного обсягу (140, 1 400, 14 000, 49 000 прикладів) та за різними алгоритмами оптимізації навчання нейронної мережі (BGD, MB SGD, Adam, Adamax, Nadam). Практична значимість. Використання нейронної моделі, на вхід якої подають значення пропускних спроможностей каналів, дозволить у реальному часі визначити оптимальний маршрут в об’єднаній комп’ютерній мережі.