📄Работа №55140
Тема: ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РАСПОЗНАВАНИЯ АТАК
Тип работы
Бакалаврская работа
Предмет
физика
Объем:
72 листов
Год:
2016
Просмотров:
550
4820
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ 3
1. ОБЗОР 5
2. ПОНЯТИЕ О НЕЙРОННЫХ СЕТЯХ 23
2.1. Нейронная сеть 23
2.2. Нейронные сети в Matlab 25
2.2.1. Персептрон 25
2.2.2. Линейные сети 28
2.2.3. Нейронная сеть с прямым распространением сигнала и обратным
распространением ошибки 33
3. ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОБНАРУЖЕНИЯ АТАК .... 37
3.1. Сбор и подготовка данных 38
3.1.1. Подготовка данных малого массива 42
3.1.2. Подготовка данных основного массива 44
3.2. Построение и обучение сети 47
3.2.1. Построение и тестирование сети с прямым распространением
сигнала и обратным распространением ошибки 48
3.2.3. Построение и обучение персептрона 53
3.2.4. Сравнительный анализ нейронных сетей при использовании малой
выборки данных 54
3.3. Построение и обучение сети с помощью основной выборки 57
3.3.1. Сеть с прямым распространением сигнала 57
3.3.2. Линейная сеть 58
3.3.3. Персептрон 59
3.3.4. Сеть Кохонена 60
3.3.5. СетьЭлмана с обратным распространением ошибки 61
3.4. Сравнительный анализ 62
ЗАКЛЮЧЕНИЕ
Литература
1. ОБЗОР 5
2. ПОНЯТИЕ О НЕЙРОННЫХ СЕТЯХ 23
2.1. Нейронная сеть 23
2.2. Нейронные сети в Matlab 25
2.2.1. Персептрон 25
2.2.2. Линейные сети 28
2.2.3. Нейронная сеть с прямым распространением сигнала и обратным
распространением ошибки 33
3. ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОБНАРУЖЕНИЯ АТАК .... 37
3.1. Сбор и подготовка данных 38
3.1.1. Подготовка данных малого массива 42
3.1.2. Подготовка данных основного массива 44
3.2. Построение и обучение сети 47
3.2.1. Построение и тестирование сети с прямым распространением
сигнала и обратным распространением ошибки 48
3.2.3. Построение и обучение персептрона 53
3.2.4. Сравнительный анализ нейронных сетей при использовании малой
выборки данных 54
3.3. Построение и обучение сети с помощью основной выборки 57
3.3.1. Сеть с прямым распространением сигнала 57
3.3.2. Линейная сеть 58
3.3.3. Персептрон 59
3.3.4. Сеть Кохонена 60
3.3.5. СетьЭлмана с обратным распространением ошибки 61
3.4. Сравнительный анализ 62
ЗАКЛЮЧЕНИЕ
Литература
📖 Введение
В настоящее время существует множество угроз информационной безопасности автоматизированных систем. Одними из них являются атаки на сеть передачи данных. Данные атаки способны нанести серьезный разрушающий вред системе. Это может быть перехват, уничтожение, изменение данных. Для противостояния сетевым атакам необходимы эффективные средства по их обнаружению.
Нейронная сеть является одним из таких средств. Основное преимущество использования нейронной сети в обнаружении атак — это гибкость, которую предоставляет эта сеть. Она способна анализировать данные из трафика , в случае если данные неполные или искажены. Нейронная сеть обладает способностью проводить анализ с данными в нелинейной форме. Так как некоторые атаки на сеть передачи данных могут быть проведены скоординированным вторжением нескольких злоумышленников, способность обрабатывать данные из нескольких источников в нелинейной форме особенно важна.
Еще одним важным свойством является скорость, свойственная нейронным сетям. Так как защита вычислительных ресурсов требует своевременного выявления атак, скорость обработки нейронной сети может обеспечить реагирование на вторжение до того, как будет нанесен непоправимый ущерб системе.
Результат работы нейронной сети выражается в виде вероятности, таким образом, сеть способна выполнять прогнозы для обнаружения при попытках атак на систему.
В данной работе будут рассмотрены алгоритмы обнаружения атак с помощью нейронных сетей в пакете Matlab, примеры их применения, эффективность в той или иной ситуации.
Цель работы: анализ нейросетевых алгоритмов для распознавания атак.
Поставленная цель потребовала решения следующих задач:
1. Изучить теоретические основы нейронных сетей и их применение в среде Matlab.
2. Построить и обучить нейронные сети для обнаружения атак.
3. Протестировать созданные нейронные сети.
4. Провести анализ эффективности применения конкретных видов нейронных сетей.
Нейронная сеть является одним из таких средств. Основное преимущество использования нейронной сети в обнаружении атак — это гибкость, которую предоставляет эта сеть. Она способна анализировать данные из трафика , в случае если данные неполные или искажены. Нейронная сеть обладает способностью проводить анализ с данными в нелинейной форме. Так как некоторые атаки на сеть передачи данных могут быть проведены скоординированным вторжением нескольких злоумышленников, способность обрабатывать данные из нескольких источников в нелинейной форме особенно важна.
Еще одним важным свойством является скорость, свойственная нейронным сетям. Так как защита вычислительных ресурсов требует своевременного выявления атак, скорость обработки нейронной сети может обеспечить реагирование на вторжение до того, как будет нанесен непоправимый ущерб системе.
Результат работы нейронной сети выражается в виде вероятности, таким образом, сеть способна выполнять прогнозы для обнаружения при попытках атак на систему.
В данной работе будут рассмотрены алгоритмы обнаружения атак с помощью нейронных сетей в пакете Matlab, примеры их применения, эффективность в той или иной ситуации.
Цель работы: анализ нейросетевых алгоритмов для распознавания атак.
Поставленная цель потребовала решения следующих задач:
1. Изучить теоретические основы нейронных сетей и их применение в среде Matlab.
2. Построить и обучить нейронные сети для обнаружения атак.
3. Протестировать созданные нейронные сети.
4. Провести анализ эффективности применения конкретных видов нейронных сетей.
✅ Заключение
В ходе выполненной работы были решены следующие задачи:
1. Изучены теоретические основы нейронных сетей и их применение в среде Matlab.
2. Построены и обучены такие виды нейронных сетей, как : сеть с прямым распространением сигнала и обратным распространением ошибки, сеть Кохонена, персептрон, линейная сеть и сеть с обратным распространением сигнала. Больше всего времени заняло обучение сети с прямым распространением сигнала - 120 минуты. Меньше всего обучение линейной сети - 2 минуты. Время обучения зависит от количества эпох, которые задает пользователь. Но каждая сеть тратит на обработку одной эпохи разное время.
3. Протестированы созданные нейронные сети. Самыми точными характеристиками распознавания атак обладают сети с прямым распределением сигнала и обратным распределением ошибки. Они способны распознавать 97% соединений. Худшими результатами обладает линейная сеть, точность распознавания в ее случае составляет 88%.
4. Проведен анализ эффективности применения конкретных видов нейронных сетей. Тестирование построенных сетей показало, что оптимальными по всем параметрам являются сети с прямым распространением сигнала и обратным распространением ошибки. Применение линейных сетей удобно, когда имеется мало времени, а точностью результатов можно пренебречь. Сеть Кохонена показывает хорошие результаты по обнаружению всех видов атак, но занимает много времени и огромное количество вычислительных ресурсов, что может помешать при работе на устройствах меньшей производительности. Персептрон также требует много вычислительных ресурсов, но занимает меньше времени. Сеть с обратным распространением сигнала быстро обучается, но распознает только 9 из 10 атак.
1. Изучены теоретические основы нейронных сетей и их применение в среде Matlab.
2. Построены и обучены такие виды нейронных сетей, как : сеть с прямым распространением сигнала и обратным распространением ошибки, сеть Кохонена, персептрон, линейная сеть и сеть с обратным распространением сигнала. Больше всего времени заняло обучение сети с прямым распространением сигнала - 120 минуты. Меньше всего обучение линейной сети - 2 минуты. Время обучения зависит от количества эпох, которые задает пользователь. Но каждая сеть тратит на обработку одной эпохи разное время.
3. Протестированы созданные нейронные сети. Самыми точными характеристиками распознавания атак обладают сети с прямым распределением сигнала и обратным распределением ошибки. Они способны распознавать 97% соединений. Худшими результатами обладает линейная сеть, точность распознавания в ее случае составляет 88%.
4. Проведен анализ эффективности применения конкретных видов нейронных сетей. Тестирование построенных сетей показало, что оптимальными по всем параметрам являются сети с прямым распространением сигнала и обратным распространением ошибки. Применение линейных сетей удобно, когда имеется мало времени, а точностью результатов можно пренебречь. Сеть Кохонена показывает хорошие результаты по обнаружению всех видов атак, но занимает много времени и огромное количество вычислительных ресурсов, что может помешать при работе на устройствах меньшей производительности. Персептрон также требует много вычислительных ресурсов, но занимает меньше времени. Сеть с обратным распространением сигнала быстро обучается, но распознает только 9 из 10 атак.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.