№ 5 (89)
Permanent URI for this collection
Browse
Browsing № 5 (89) by Subject "activation functi"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
Item Виявлення атак на комп’ютерну мережу на основі використання комплексу нейронних мереж(Дніпровський національний університет залізничного транспорту імені академіка В. Лазаряна, Дніпро, 2020) Жуковицький, Ігор Володимирович; Пахомова, Вікторія Миколаївна; Остапець, Денис Олександрович; Циганок, О. І.UK: Мета. За основну мету дослідження ми ставимо розвиток методики визначення атак на комп’ютерну мережу. Досягнення поставленої мети передбачає вирішення таких завдань: розробити методику виявлення атак на комп’ютерну мережу на основі ансамблю нейронних мереж із використанням нормалізованих даних відкритої бази KDDCup99; під час виконання машинного навчання виявити оптимальні параметри нейронної мережі, що забезпечить достатньо високий рівень достовірності виявлення вторгнень у комп’ютерну мережу. Методика. Як архітектурне рішення модуля виявлення атак запропоновано дворівневу мережну систему, основу якої складає ансамбль із п’яти нейронних мереж типу багатошарового персептрона: перша нейронна мережа – для визначення категорії класу атаки (DoS, R2L, U2R, Probe) або факту того, що атаки не було; інші нейронні мережі – для виявлення типу атаки, якщо така мала місце (кожна з цих чотирьох нейронних мереж відповідає одному класу атаки і вміє визначати типи, що належать тільки цьому класу). Результати. На створеній програмній моделі проведено дослідження параметрів нейронної мережі конфігу-рації 41–1–132–5, яка визначає категорію класу атаки на комп’ютерну мережу. Встановлено, що оптимальна швидкість навчання дорівнює 0,001. Для оптимізації найкраще себе показав алгоритм ADAM. Як функція активації для прихованого шару найбільше підходить функція ReLU, для функції активації вихідного шару – функція гіперболічного тангенса. Точність на тестовій та валідаційній вибірках склала 92,86 та 91,03 % відповідно. Наукова новизна. Розроблена програмна модель, для якої використана мова програмування Python 3.5, інтегроване середовище розробки PyCharm 2016.3 та фреймворк Tensorflow 1.2, дає можливість виявляти всі типи атак класів DoS,U2R, R2L, Probe. Практична значимість. Отримано графічні залежності точності нейронних мереж за різних параметрів: швидкості навчання; активаційної функції; алгоритму оптимізації. Визначено оптимальні параметри нейронних мереж, що забезпечать достатньо високий рівень достовірності виявлення вторгнень у комп’ютерну мережу.