Виявлення загроз в компютерній мережі на основі багатошарової нейронної мережі
eaDNURT - the electronic archive of the Dnepropetrovsk National University of Railway Transport
Переглянути архів Інформація| Поле | Співвідношення | |
| Title |
Виявлення загроз в компютерній мережі на основі багатошарової нейронної мережі
Выявление угроз в компьютерной сети на основе многослойной нейронной сети Identifying Threats of Computer Network Based on Multilayer Neural Network |
|
| Creator |
Жуковицький, Ігор Володимирович
Жуковицкий, Игорь Владимирович Zhukovytskyy, Igor V. Pakhomova, Viktoriya M. Пахомова, Вiкторiя Миколаївна Маменко, Д. В. Пахомова, Виктория Николаевна |
|
| Subject |
мережний трафік
загроза нейронна мережа вибірка прихований шар приховані нейрони алгоритм навчання кількість епох похибка сетевой трафик КЕОМ угроза нейронная сеть выборка скрытый слой скрытые нейроны алгоритм обучения количество эпох погрешность network traffic threat neural network sampling hidden layer hidden neurons learning algorithm the number of epoch error |
|
| Description |
Жуковицький І. В. Виявлення загроз в комп’ютерній мережі на основі багатошарової нейронної мережі: [препринт] / І. В. Жуковицький, В. М. Пахомова, Д. В. Маменко // Інформаційно-керуючі системи на залізничному транспорті. — Харків, 2016. — № 4.
UK: Виявлення в комп’ютерній мережі таких загроз як Back, Buffer_overflow, Quess_password, Ipsweep, Neptune здійснено на основі параметрів мережного трафіка з використанням нейронної мережі конфігурації 19-1-25-5 в програмі Fann Explorer. Отримані залежності часу навчання (кількості епох) нейронної мережі від: кількості нейронів у прихованому шарі (від 10 до 55); кількості прихованих шарів (від 1 до 4). При збільшенні кількості нейронів у прихованому шарі нейронна мережа за алгоритмом Batch навчається швидше майже в три рази, ніж нейронна мережа за алгоритмом Resilient. При збільшенні кількості прихованих шарів нейронна мережа за алгоритмом Resilient навчається майже в два рази швидше, ніж за алгоритмом Incremental. RU: Выявление в компьютерной сети таких угроз как Back, Buffer_overflow, Quess_password, Ipsweep, Neptune осуществлено на основе параметров сетевого трафика с использованием нейронной сети конфигурации 19-1-25-5 в программе Fann Explorer. Получены зависимости времени обучения (количества эпох) нейронной сети от: количества нейронов в скрытом слое (от 10 до 55); количества скрытых слоев (от 1 до 4). При увеличении количества нейронов в скрытом слое нейронная сеть по алгоритму Batch учится быстрее почти в три раза, чем нейронная сеть по алгоритму Resilient. При увеличении количества скрытых слоев нейронная сеть по алгоритму Resilient учится почти в два раза быстрее, чем по алгоритму Incremental. EN: With the widespread proliferation of the Internet greatly increases the number of attacks on computer networks. Existing approaches for determining the attacks are characterized by a number of features that prevent their use: a small speed; low accuracy, to eliminate these shortcomings suggested the use of neural network technologies. Identify a computer network threats such as Back, Buffer_overflow, Quess_password, Ipsweep, Neptune made based on parameters of network traffic using a neural network configuration 19-1-25-5 in program Fann Explorer. Depending received training time (number of periods) of the neural network from: the number of neurons in the hidden layer (10 to 55); the number of hidden layers (1 to 4). When the number of neurons in the hidden layer neural network learns quickly, but when the optimal number of starts exceeded (> 45), its speed drops learning. When the number of neurons in the hidden layer neural network algorithm learns quickly Batch almost three times than the neural network algorithm Resilient. When the number of hidden layer neural network algorithm trained Resilient almost two times faster than the algorithm Incremental. |
|
| Date |
2017-01-23T12:56:33Z
2017-01-23T12:56:33Z 2016 |
|
| Type |
Article
|
|
| Identifier |
http://eadnurt.diit.edu.ua/jspui/handle/123456789/9437
|
|
| Language |
uk
|
|
| Publisher |
Український державний інститут залізничного транспорту, Харків
|
|