Skip navigation
Please use this identifier to cite or link to this item: https://ela.kpi.ua/handle/123456789/33877
Title: Аналіз застосування методів машинного навчання на основі штучних нейронних мереж для виявлення кіберзагроз
Other Titles: Analysis of application a methods of machine learning based on artificial neural networks in the tasks of detecting cybersecurity threats
Authors: Шевченко, Андрій Сергійович
Застело, Герман Ігорович
Шпачинський, Євген Олександрович
Keywords: машинне навчання
штучний інтелект
штучні нейронні мережі
кібербезпека
кіберзагроза
індикатори компрометації
machine learning
artificial intelligence
artificial neural networks
methods of anomalies detection
detection of cyber threats
cybersecurity
Issue Date: 2019
Publisher: Institute of Special Communication and Information Protection of National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”
Citation: Шевченко, А. Аналіз застосування методів машинного навчання на основі штучних нейронних мереж для виявлення кіберзагроз / Андрій Шевченко, Герман Застело, Євген Шпачинський // Information Technology and Security. – 2019. – Vol. 7, Iss. 1 (12). – Pp. 79–90. – Bibliogr.: 24 ref.
Abstract: Проаналізовано застосування методів машинного навчання на основі штучних нейронних мереж у прикладних задачах виявлення та класифікації кіберзагроз. Актуальність тематики статі обумовлена значними обсягами впровадження технологій машинного навчання в системі захисту інформації та забезпечення кібербезпеки. Розкривається взаємозалежність між поняттями „штучний інтелект”, „машинне навчання” і „глибоке навчання”. За результатами аналізу інформаційних джерел, виділено основні методи машинного навчання, які знайшли застосування в галузі кібербезпеки, а саме: мережі Байєса, штучні нейронні мережі, метод опорних векторів, нечітка логіка. Проведено аналіз методів виявлення кіберзагроз, зокрема, статистичні, сигнатурні, евристичні та методи виявлення аномальній. Надано загальну характеристику й виділено переваги та завдання, які вирішують методи машинного навчання для виявлення аномальних подій у сфері кібербезпеки. Розглядаються основні типи штучних нейронних мереж, які застосовуються в задачах виявлення кіберзагроз. Підґрунтям для розгляду загального застосування методів машинного навчання є штучні нейроні мережі на основі багатошарового персептрона зі зворотнім розповсюдженням помилки. Виділено загальну структуру штучної нейронної мережі і представлено основні математичні вирази її функціонування, розглянуто основні види функцій активації штучних нейронів, представлено загальний математичний вираз обчислення цільової функції витрат для систем машинного навчання з керованим навчанням (навчанням зі вчителем). Як вхідні для систем машинного навчання (штучних нейронних мереж) запропоновано використовувати інформативні дані індикаторів компрометації атак. Виокремлено основні дані, які можуть використовувати підсистеми моніторингу засобів захисту інформації та забезпечення кібербезпеки для виконання задач виявлення, класифікації та прогнозування інцидентів кібербезпеки. Визначено основні етапи процесу обробки даних та виявлення інцидентів кібербезпеки з використанням штучних нейронних мереж. Охарактеризовано основні системи захисту інформації та забезпечення кібербезпеки, в які впроваджують системи машинного навчання. За результатами проведеного аналізу виявлено основні проблеми їх впровадження у системи захисту інформації та забезпечення кібербезпеки, окреслено основні напрями подальших наукових досліджень. Отримані результати можуть використовуватися для визначення предметної області під час розробки та впровадження технологій машинного навчання у системи захисту інформації та кібербезпеки.
URI: https://ela.kpi.ua/handle/123456789/33877
DOI: https://doi.org/10.20535/2411-1031.2019.7.1.184327
Appears in Collections:Information Technology and Security, Vol. 7, Iss. 1 (12)

Files in This Item:
File Description SizeFormat 
ITS2019-7-1_08.pdf810.45 kBAdobe PDFThumbnail
View/Open
Show full item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.