ISSN 0021-3454 (печатная версия)
ISSN 2500-0381 (онлайн версия)
Меню

6
Содержание
том 65 / Июнь, 2022
СТАТЬЯ

DOI 10.17586/0021-3454-2016-59-10-795-800

УДК 004.891.3

МОНИТОРИНГ И ПРОГНОЗИРОВАНИЕ СОСТОЯНИЯ КОМПЬЮТЕРНЫХ СЕТЕЙ НА ОСНОВЕ ПРИМЕНЕНИЯ ГИБРИДНЫХ НЕЙРОННЫХ СЕТЕЙ

Саенко И. Б.
ФГКВОУ ВО «Военная академия связи имени Маршала Советского Союза С. М. Буденного» МО РФ (ВАС им. С. М. Буденного); профессор


Котенко И. В.
СПИИРАН, лаборатория проблем компьютерной безопасности; профессор


Скорик Ф. А.
Военная академия связи им. С. М. Буденного; кафедра автоматизированных систем специального назначения;


Читать статью полностью 

Аннотация. Для мониторинга и прогнозирования состояния компьютерных сетей необходимо использовать средства, характеризующиеся высокой адаптивностью и устойчивостью к внешним шумам. Такими особенностями обладают гибридные нейронные сети. Рассматриваются основанные на гибридных нейронных сетях модели, позволяющие оценивать и прогнозировать состояние компьютерных сетей. Результаты проведенных экспериментов показали, что предложенные модели обеспечивают высокую точность классификации текущего и прогнозируемого состояния компьютерной сети.
Ключевые слова: гибридные нейронные сети, карта Кохонена, прогнозирование, мониторинг, показатель состояния

Список литературы:
  1. Котенко И. В., Саенко И. Б., Полубелова О. В., Чечулин А. А. Применение технологии управления информацией и событиями безопасности для защиты информации в критически важных инфраструктурах // Тр. СПИИРАН. Вып. 1 (20). СПб: Наука, 2012. C. 27—56.
  2. Котенко И. В., Саенко И. Б. К новому поколению систем мониторинга и управления безопасностью // Вестн. Российской академии наук. 2014. Т. 84, № 11. С. 993—1001.
  3. Awan Z. K., Khan A., Iftikhar A. Hybrid Neural Networks: from Application Point of View. LAP Lambert Academic Publishing, 2012.
  4. Wermter S., Sun R. An overview of hybrid neural systems // Hybrid Neural Systems. NY—Heidelberg: Springer, 2000.
  5. Chen Y., Kak S., Wang L. Hybrid neural network architecture for on-line learning // Intelligent Information Management. 2010. Vol. 2. P. 253—261.
  6. Lawrence S., Giles C. L., Tsoi A. C., Back A. D. Face Recognition: A Hybrid Neural Network Approach: Technical Report. 1996.
  7. Wan L., Zhu L., Fergus R. A Hybrid neural network-latent topic model // Proc. of the 15th Intern. Conf. on Artificial Intelligence and Statistics (AISTATS). La Palma, Canary Islands, 2012. Vol. 22. P. 1287—1294.
  8. Psichogios D. C., Ungar L. H. A Hybrid Neural Network-First Principles Approach to Process Modeling // AIChE J. 1992. Vol. 38, N 10. P. 1499—1511.
  9. Azruddin A., Gobithasan R., Rahmat B., Azman S., Sureswaran R. A hybrid rule based fuzzy-neural expert system for passive network monitoring // Proc. of the Arab Conf. on Information Technology ACIT. 2002. P. 746—752.
  10. Mishra A., Zaheeruddin Z. Design of hybrid fuzzy neural network for function approximation // J. of Intelligent Learning Systems and Applications. 2010. Vol. 2, N 2. P. 97—109.
  11. Bahrololum M., Salahi E., Khaleghi M. Anomaly intrusion detection design using hybrid of unsupervised and supervised neural network // Intern. J. of Computer Networks & Communications (IJCNC). 2009. Vol. 1, N 2. P. 26—33.
  12. Garcıa-Teodoro P., Dıaz-Verdejo J., Macia-Fernandez G., Vazquez E. Anomaly-based network intrusion detection: Techniques, systems and challenges // Computers & Security. 2009. Vol. 28. P. 18—28.
  13. Zhang Z., Manikopoulos C. Neural networks in statistical anomaly intrusion detection // J. of Neural Network World. 2001. Vol. 3. P. 305—316.
  14. Souza L. G. M., Barreto G. A. Nonlinear system identification using local arx models based on the self-organizing map. Learning and Nonlinear Models // Revista da Sociedade Brasileira de Redes Neurais (SBRN). 2006. Vol. 4, N 2. P. 112—123.
  15. Kotenko I., Saenko I., Skorik F., Bushuev S. Neural network approach to forecast the state of the internet of things elements // Proc. of the XVIII Intern. Conf. on Soft Computing and Measurements (SCM'2015), IEEE Xplore. 2015. P. 133—135, DOI: 10.1109/SCM.2015.7190434.
  16. Kasabov N., Hamed H. N. A. Quantum-inspired particle swarm optimization for integrated feature and parameter optimization of evolving spiking neural networks // Intern. J. of Artificial Intelligence. 2011. Vol. 7. P. 114—124.
  17. Kasabov N. K., Song Q. DENFIS: Dynamic evolving neuro-fuzzy inference system and its application for time-series prediction // IEEE Transactions on Fuzzy Systems. 2002. Vol. 10(2). P. 144—154.
  18. Kohonen T. The self-organizing map // Proc. of the IEEE. 1990. Vol. 78, N 9. P. 1464—1480.