Вдосконалення алгоритму навчання багатошарового перспетрону призначеного для розпізнавання мережевих атак
| dc.contributor.author | Терейковський, Ігор | |
| dc.contributor.author | Terejkowski, Igor | |
| dc.date.accessioned | 2014-09-09T13:13:02Z | |
| dc.date.available | 2014-09-09T13:13:02Z | |
| dc.date.issued | 2012 | |
| dc.description.abstracten | Over the past few years, recognition of attacks on information systems and computer networks is one of the most important and urgent problems in the field of information security. The complexity of the problem is caused by the dynamics of multi functioning of these systems, large raznovariantnost known and constant emergence of new types of attacks. For these reasons, to recognize an attack using methods based on classical statistical analysis of the functional parameters of computer systems and networks, in many cases almost impossible. As a consequence, are used various alternative mathematical theories, including the theory of artificial neural networks, has proven successful in the multivariable analysis tasks, noisy data. There are successful attempts to identify with the help of neural networks remote network attacks, viruses, hidden facts of the transfer of encrypted data, the spam email. Most modern methods of pattern recognition neural network attacks on computer systems and networks based on the use of multi-layer perceptron, whose main task is to determine the tolerance parameters of the current functioning of the parameters of the operation under normal conditions. At the same time one of the most significant disadvantages of using a multilayer perceptron is a high relative error of training in solving the problem of approximation of a given table function, the minimum and maximum values which significantly differ in the minimum values of the function. With regard to problems of recognition of attacks, this leads to low reliability of the parameters determining the admissibility of the deviations of the current functioning of their minimum values, which in turn can significantly reduce the efficiency of detection of network attacks, when it is necessary to determine the admissibility of the deviations of monitored parameters from the normal pattern of behavior or pattern of attack. It is shown that this deficiency is caused by the inadequacy of the objective functional backpropagation algorithm, which is used for training a multilayer perceptron. To remedy this defect suggested to improve the back-propagation algorithm for error due to application of the objective function given in the form of a quadratic error learning. Developed by the appropriate software correction weights of synaptic connections. Promising way of improving the application of neural network methods for detection of attacks is to develop methods of optimizing the structure of multilayer perceptron in accordance with the terms of specific tasks. | uk |
| dc.description.abstractru | На протяжении нескольких последних лет распознавания атак на информацию компьютерных систем и сетей является одной из наиболее важных и актуальных проблем в области защиты информации. Сложность проблемы обусловлена многофакторной динамикой функционирования указанных систем, большой разновариантность известных и постоянным возникновением новых видов атак. По этим причинам распознать атаку с помощью методов, основанных на классическом анализе статистики функциональных параметров компьютерных систем и сетей во многих случаях практически невозможно. Как следствие находят применение различные альтернативные математические теории, в том числе и теория искусственных нейронных сетей, которая доказала свою эффективность в задачах анализа многопараметрических, зашумленных данных. Известны удачные попытки распознавать с помощью нейронных сетей отдаленные сетевые атаки, вирусы, скрытые факты передачи зашифрованных данных, спам-письма электронной почты. Большинство современных нейросетевых методов распознавания атак на компьютерные системы и сети базируются на использовании многослойного перспетрона, основной задачей которого является определение допустимости отклонений параметров текущего функционирования от параметров функционирования в нормальных условиях. При этом одним из наиболее значимых недостатков использования многослойного перспетрона является высокая относительная погрешность обучения при решении задачи аппроксимации заданной табличной функции, минимальные и максимальные значения которой значительно отличаются между собой в области минимальных значений функции. Относительно задач распознавания атак это приводит к низкой достоверности определения допустимости отклонений параметров текущего функционирования в области их минимальных значений, что в свою очередь может значительно снизить эффективность распознавания сетевых атак, когда необходимо определить допустимость отклонения контролируемых параметров от шаблона нормального поведения, или от шаблона атаки. Показано, что указанный недостаток вызван неадекватностью целевого функционала алгоритма обратного распространения ошибки, который применяется для обучения многослойного перспетрона. Для исправления указанного недостатка предложено усовершенствовать алгоритм обратного распространения ошибки за счет применения целевого функционала в виде квадратичной приведенной ошибки обучения. Разработано соответствующее математическое обеспечение коррекции весовых коэффициентов синаптических связей. Перспективным путем повышения эффективности применения нейросетевых методов распознавания атак является разработка методики оптимизации структуры многослойного перспетрона в соответствии с условиями конкретных задач. | uk |
| dc.description.abstractuk | На протязі декількох останніх років розпізнавання атак на інформацію комп’ютерних систем та мереж являється однією із найбільш важливих та актуальних проблем в галузі захисту інформації. Складність проблеми обумовлена багатофакторною динамікою функціонування означених систем, великою різноваріантністю відомих та постійним виникненням нових видів атак. По цим причинам розпізнати атаку за допомогою методів, які базуються на класичному аналізі статистики функціональних параметрів комп’ютерних систем та мереж в багатьох випадках практично неможливо. Як наслідок знаходять застосування різноманітні альтернативні математичні теорії, в тому числі і теорія штучних нейронних мереж, що довела свою ефективність в задачах аналізу багатопараметричних, зашумлених даних. Відомі вдалі спроби розпізнавати за допомогою нейронних мереж віддалені мережеві атаки, комп’ютерні віруси, приховані факти передачі зашифрованих даних, спам-листи електронної пошти. Більшість сучасних нейромережевих методів розпізнавання атак на комп’ютерні системи та мережі базуються на використанні багатошарового перспетрону, основною задачею якого є визначення допустимості відхилень параметрів поточного функціонування від параметрів функціонування в нормальних умовах. При цьому одним із найбільш значимих недоліків використання багатошарового перспетрону є висока відносна похибка навчання при вирішенні задачі апроксимації заданої табличної функції, мінімальні та максимальні значення якої значно відрізняються між собою в області мінімальних значень функції. Відносно задач розпізнавання атак це призводить до низької достовірності визначення допустимості відхилень параметрів поточного функціонування в області їх мінімальних значень, що в свою чергу може значно зменшити ефективність розпізнавання мережевих атак, коли необхідно визначити допустимість відхилення контролюємих параметрів від шаблону нормальної поведінки, або від шаблону атаки. Показано, що вказаний недолік спричинений неадекватністю цільового функціоналу алгоритму зворотнього поширення помилки, який застосовується для навчання багатошарового перспетрону. Для виправлення вказаного недоліку запропоновано вдосконалити алгоритм зворотнього поширення помилки за рахунок застосування цільового функціоналу у вигляді квадратичної приведеної помилки навчання. Розроблене відповідне математичне забезпечення корекції вагових коефіцієнтів синаптичних зв’язків. Перспективним шляхом підвищення ефективності застосування нейромережевих методів розпізнавання атак є розробка методики оптимізації структури багатошарового перспетрону відповідно умов конкретних задач. | uk |
| dc.format.pagerange | С. 65-70 | uk |
| dc.identifier.citation | Терейковський І. Вдосконалення алгоритму навчання багатошарового перспетрону призначеного для розпізнавання мережевих атак / Ігор Терейковський // Правове, нормативне та метрологічне забезпечення системи захисту інформації в Україні : науково-технічний збірник. – 2012. – Вип. 2(24). – С. 65–70. – Бібліогр.: 7 назв. | uk |
| dc.identifier.uri | https://ela.kpi.ua/handle/123456789/8596 | |
| dc.language.iso | uk | uk |
| dc.publisher | НТУУ "КПІ" | uk |
| dc.publisher.place | Київ | uk |
| dc.source.name | Правове, нормативне та метрологічне забезпечення системи захисту інформації в Україні: науково-технічний збірник | uk |
| dc.status.pub | published | uk |
| dc.subject | багатошаровий персептрон | uk |
| dc.subject | захист інформації | uk |
| dc.subject | розпізнавання мережевих атак | uk |
| dc.subject.udc | 681.3.06 | uk |
| dc.title | Вдосконалення алгоритму навчання багатошарового перспетрону призначеного для розпізнавання мережевих атак | uk |
| dc.title.alternative | Enhanced learning algorithm multilayer perceptron devoted for recognizing network attacks | uk |
| dc.title.alternative | Усовершенствование алгоритма обучения многослойного перспетрона предназначено для распознавания сетевых атак | uk |
| dc.type | Article | uk |
| thesis.degree.level | - | uk |
Файли
Контейнер файлів
1 - 1 з 1
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 1.71 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: