Використання нейронних мереж реального часу у системах виявлення мережевих вторгнень
Loading...
Date
2025
Journal Title
Journal ISSN
Volume Title
Publisher
Український державний університет науки і технологій, ІВК «Системні технології», Дніпро
Abstract
UKR: В роботі розглянуто нагальні обмеження сучасних систем виявлення вторгнень (NIDS), які зазвичай базуються на статичних текстових правилах. Такий підхід перешкоджає виявленню нових або модифікованих атак, оскільки зловмисники можуть легко обійти ці статичні правила за допомогою мінімальних модифікацій. Як перспективний напрям розглянуто впровадження нейронних мереж, оснащених можливостями онлайн-навчання. Проаналізовано декілька найсучасніших рішень, у тому числі Online Sequential Extreme Learning Machine (OSELM), T-DFNN і різні інкрементні моделі глибоких нейронних мереж, усі з яких демонструють здатність адаптуватися в реальному часі. Робота не лише узагальнює поточні методології, але й підкреслює значний потенціал онлайн-навчання для підвищення ефективності та гнучкості систем кібербезпеки, зокрема в динамічному виявленні zero-day загроз.
ENG: This paper addresses the pressing limitations of modern intrusion detection systems (NIDS), which are typically based on predefined text-based rules. Such an approach hinders the detection of new or modified attacks, as these static rules can easily be evaded by attackers using minimal modifications. As a promising direction, the study explores the implementation of neural networks equipped with online learning capabilities. Several state-of-the-art solutions are analyzed, including Online Sequential Extreme Learning Machine (OS-ELM), T-DFNN, and various incremental deep neural network models, all of which demonstrate the ability to adapt in real time. The work not only summarizes current methodologies but also emphasizes the significant potential of online learning to enhance the effectiveness and flexibility of cybersecurity systems, particularly in the dynamic detection of emerging network threats.
ENG: This paper addresses the pressing limitations of modern intrusion detection systems (NIDS), which are typically based on predefined text-based rules. Such an approach hinders the detection of new or modified attacks, as these static rules can easily be evaded by attackers using minimal modifications. As a promising direction, the study explores the implementation of neural networks equipped with online learning capabilities. Several state-of-the-art solutions are analyzed, including Online Sequential Extreme Learning Machine (OS-ELM), T-DFNN, and various incremental deep neural network models, all of which demonstrate the ability to adapt in real time. The work not only summarizes current methodologies but also emphasizes the significant potential of online learning to enhance the effectiveness and flexibility of cybersecurity systems, particularly in the dynamic detection of emerging network threats.
Description
А. Журба: ORCID 0000-0002-9983-3971
Keywords
нейронні мережі, онлайн-навчання, виявлення вторгнень, інкрементальне навчання, кібербезпека, neural networks, online learning, NIDS, intrusion detection, incremental learning, cybersecurity, Extreme Learning Machine, T-DFNN, КІТС
Citation
Горбатов В. С., Журба А. О. Використання нейронних мереж реального часу у системах виявлення мережевих вторгнень. Інформаційні технології в металургії та машинобудуванні – ІТММ’2025 : тези доп. Міжнародної наук.-техн. конф. (м. Дніпро, 23-24 березня 2025 р.). Дніпро, 2025. C. 542–545. DOI: 10.34185/1991-7848.itmm.2025.01.096.