• ВХОД

    •  

    Полное описание

    Гайфулина, Д. А. Анализ моделей глубокого обучения для задач обнаружения сетевых аномалий Интернета вещей / Д. А. Гайфулина, И. В. Котенко. - Текст : непосредственный // Информ.-упр. системы : научный журнал. - 2021. - N 1. - С. 28-37. - Библиогр. в конце ст. - ISSN 1684-8853.

    ГРНТИ УДК
    28.23.37004.032.26

    Рубрики:
    Нейронные сети -- Применение
    Машинное обучение

    Кл.слова (ненормированные): глубокое обучение -- глубокие нейронные сети -- обнаружение аномалий -- Интернет вещей -- информационная безопасность
    Аннотация: Актуальность решения задачи выбора моделей глубокого обучения для обнаружения аномалий в сетевом трафике интернета вещей связана с необходимостью анализа большого числа событий безопасности для выявления аномального поведения умных устройств. Мощной технологией анализа таких данных является машинное и, в частности, глубокое обучение. Цель исследования: выработка рекомендаций по выбору моделей глубокого обучения для обнаружения аномалий в сетевом трафике интернета вещей. Результаты: проведен сравнительный анализ моделей глубокого обучения и предоставлены рекомендации по их использованию для обнаружения аномалий в сетевом трафике интернета вещей. В качестве базовых моделей глубокого обучения были рассмотрены многослойный перцептрон, сверточная нейронная сеть, рекуррентная нейронная сеть, блок долгой краткосрочной памяти, управляемый рекуррентный блок и комбинированная сверточно-рекуррентная нейронная сеть. Дополнительно был осуществлен анализ следующих моделей традиционного машинного обучения: наивный байесовский классификатор, метод опорных векторов, логистическая регрессия, метод k-ближайших соседей, бустинг и случайный лес. Показателями эффективности обнаружения аномалий выступали следующие метрики: аккуратность, точность, полнота и F-мера, а также временные затраты на обучение модели. Построенные в процессе эксперимента модели глубокого обучения продемонстрировали более высокие показатели точности обнаружения аномалий в гетерогенном трафике большого объема, характерного для интернета вещей, по сравнению с методами традиционного машинного обучения. Было выявлено, что с ростом числа слоев в нейронных сетях возрастает полнота обнаружения аномальных соединений, что улучшает распознавание неизвестных аномалий, но влечет за собой рост ложных срабатываний. Подготовка моделей традиционного машинного обучения в ряде случаев занимает меньшее время. Это связано с тем, что применение методов глубокого обучения требует большего количества ресурсов и вычислительных мощностей. Практическая значимость: полученные в исследовании результаты могут быть использованы для построения систем обнаружения сетевых аномалий в Интернете вещей.
    Доп. точки доступа:
    Котенко, И.В.

    Экз-ры полностью 1c0ee1afd4f59f665e1161d2d78cce28/2021/1
    Нет сведений об экземплярах
    Держатели документа:
    Государственная публичная научно-техническая библиотека России : 123298, г. Москва, ул. 3-я Хорошевская, д. 17 (Шифр в БД-источнике (KATBW): -130616-111112)

    Шифр в сводном ЭК: 0f3574697dcfe33d8b088d8c190014bb




    Заказ фрагмента документа ₽