Нейромережеві моделі управління процесом функціонування систем захисту інформації.
DOI:
https://doi.org/10.34121/1028-9763-2023-2-34-43Ключові слова:
artificial neural network, tuning algorithm, weight coefficient, network structure, recognition of multi-parameter objects, process setting, штучна нейронна мережа, алгоритм налаштування, ваговий коефіцієнт, структура мережі, розпізнавання багатопараметричних об’єктів, налаштування процесуАнотація
Нейромережеві моделі, які спочатку застосовувалися для моделювання процесів розпізнавання графічних зображень, на цей час знайшли широке використання і в галузі розпізнавання багатопараметричних об’єктів, а також регулювання параметрів роботи складних систем. Таке їх застосування є ефективним стосовно вирішення задач управління інформаційною безпекою. За допомогою нейромереж успішно вирішуються завдання класифікації загроз, вибору параметрів заходів захисту, регулювання режимів роботи інформаційних систем. У науковій літературі помічається велике різноманіття підходів та методів щодо створення штучних нейронних мереж. Це, на початковому етапі проєктування систем інформаційної безпеки, коли необхідно визначати основні параметри створюваного програмного забезпечення, представляє проблему для проєктувальника. Прорахунки, зроблені на даному етапі проєктування, можуть призвести до невдалого завершення всього проєкту. У статті виконаний короткий порівняльний аналіз штучних нейронних мереж, які відрізняються за методами налаштувань (навчання) мережі і за формою її структури. Охарактеризовано застосовність, переваги і недоліки таких методів налаштувань нейромереж, як метод зворотного розповсюдження помилки; генетичний алгоритм; ітеративний алгоритм Уідроу-Хоффа з мінливим кроком; модифікований метод найменших квадратів; метод послідовного навчання. Показано відмінності структури для мереж, призначених для вирішення задач регулювання інформаційних процесів і розпізнавання багатопараметричних об’єктів. Для регулювання процесів структуру нейромережі розглянуто на прикладі нечіткої нейронної мережі ANFIS. Для задач класифікації приведена структура багатошарового персептрона, в якому структура внутрішніх шарів відображає онтологічну мережу розглянутої предметної області. Представлені результати можуть бути використаними при обґрунтуванні виду нейронної мережі, що застосовується для розв’язання конкретної задачі в області інформаційної безпеки.Посилання
Руденко О.Г., Бодянський Є.В. Штучні нейронні мережі: навч. посіб. Харків: ТОВ «Компанія СМІТ», 2006. 404 с.
Brain Maker Professional, Neural Network Simulation Software. User Guide and Reference Manual. California Scientific Software, 1993. 496 p.
Кононюк А.Ю. Нейронні мережі і генетичні алгоритми. К.: Корнійчук, 2008. 446 с.
Kryvyy R., Tkachenko S., Karkuljovskyy V. Analysis of Frameworks for Developing Genetic Algorithms. MEMSTECH’2011: Proc. of the VII-th International Conference. Lviv – Polyana, 2011. P. 209–210.
Дубровін В.І., Субботін С.О. Методи оптимізації та їх застосування в задачах навчання нейронних мереж: навч. посіб. Запоріжжя: ЗНТУ, 2003. 136 с.
Plett G.L. Adaptive inverse control of linear/nonlinear systems usingdynamic neural networks. IEEE Trans. Neural Networks. 2003. Vol. 5, N 2. P. 360–376.
Субботін С.О. Подання й обробка знань у системах штучного інтелекту та підтримки прийняття рішень. Запоріжжя: ЗНТУ, 2008. 341 с.
Ishibuchi H., Kwon K., Tanaka H. Implementation of fuzzy IF-THEN rules by fuzzy neural networks with fuzzy weights. Proc. of EUFIT'93 Conference. Aachen, Germany, 1993. P. 209–215.
Ishibuchi H., Fujioka R., Tanaka H. An architecture of neural networks for input vectors of fuzzy numbers. Proc. IEEE Intern. Conf on Fuzzy Systems. San Diego, USA, 1992. P. 1293–1300
Глибовець М.М., Олецький О.В. Системи штучного інтелекту. К.: КМ Академія, 2002. 366 с.
31
10Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2023 Математичні машини і системи
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
