Тип работы:
 Предмет:
 Язык работы:


ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РАСПОЗНАВАНИЯ АТАК

Работа №55140

Тип работы

Бакалаврская работа

Предмет

физика

Объем работы72
Год сдачи2016
Стоимость4820 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
334
Не подходит работа?

Узнай цену на написание


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

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.

Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
Курсовые Статьи Диплом Рязань

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. Фимичев Н.Н. Применение нейронных сетей в обнаружении вторжений // Современные научные исследования и инновации. 2015. № 10 [Электронный ресурс]. URL: http://web.snauka.ru/issues/2015/10/58404
2. Жигулин П.В., Подворчан Д.Э. Статья в информационном портале университета ТУСУР [Электронный ресурс]. - Томск: www.tusur.ru. - «Анализ сетевого трафика с помощью нейронных сетей»..
3. Kukielka P., Kotulski Z. Analysis of the different architectures of neural networks usage for Intrusion Detection Systems // Proceedings of the International Multiconference on Computer Science and Information Technology. Р. 807-811. Kukielka P., Kotulski Z.
4. Kukielka P., Kotulski Z. Adaptation of the neural network-based IDS to new attacks detection. URL: http://arXiv:1009 2406v1.
5. Абрамов Е. С., Сидоров И. Д. Метод обнаружения распределенных информационных воздействий на основе гибридной нейронной сети // Известия ЮФУ. Технические науки. 2009. № 11. С. 154-163.
6. Поздняков С. А. Использование схемы совпадений в системах обнаружения вторжений на основе нейронных сетей // Вестник ОмГУ. 2012. №2 (64). URL: http://cyberleninka.ru/article/nZispolzovanie-shemy-sovpadeniy-v- sistemah-obnaruzheniya-vtorzheniy-na-osnove-neyronnyh-setey
7. Комар М.П. Интеллектуальная система обнаружения сетевых атак на информационные ресурсы на основе метода главных компонент //Тернопольский национальный экономический университет. URL: http://periodica.16mb.com/wp-content/soi/soi-2011-vipusk-898/komar.pdf
8. Шелухин О. И., Чернышев А. И. Исследование и моделирование
нейросетевых алгоритмов обнаружения аномальных вторжений в компьютерные сети // T-Comm. 2014. №12. URL: http://cyberleninka.ru/article/n/issledovanie-i-modelirovanie-neyrosetevyh- algoritmov-obnaruzheniya-anomalnyh-vtorzheniy-v-kompyuternye-seti
9. Моради М., Зелкернин М. Статья в информационном портале университета Queen’s University. URL: http://queensu.ca. - «A Neural Network Based System for Intrusion Detection and Classification of Attacks».
10. Клионский Д.М., Большев А.К., Геппенер В.В. Статья в Национальном исследовательском ядерном университете «МИФИ». URL : http://library.mephi.ru. - «Применение искусственных нейронных сетей в сетевых технологиях и интеллектуальном анализе данных».
11. Жульков Е. В. Диссертация в электронной библиотеке РГБ. URL: http://dlib.rsl.ru. - «Построение модульных нейронных сетей для обнаружения классов сетевых атак».
12. Хафизов А. Ф. Диссертация в электронной библиотеке РГБ. URL: http://dlib.rsl.ru. - «Нейросетевая система обнаружения атак на WWW- Сервер».
13. Слеповичев И. И., Ирматов П. В., Комарова М. С., Бежин А. А. Обнаружение DDoS атак нечеткой нейронной сетью // Изв. Сарат. ун-та. Нов.
сер. Сер. Математика. Механика. Информатика. 2009. № 9:3. C. 84-89.
14. Кашаев Т. Р. Диссертация в электронной библиотеке РГБ. URL: http://dlib.rsl.ru. - «Алгоритмы активного аудита информационной системы на основе технологий искусственных иммунных систем».
15. Свечников Л. А. Диссертация в электронной библиотеке РГБ. URL: http://dlib.rsl.ru. - «Система обнаружения атак на информационную систему с использованием динамических моделей на основе нечетких когнитивных карт».
16. Емельянова Ю.Г., Талалаев А.А., Тищенко И. П. , Фраленко В. П. Нейросетевая технология обнаружения сетевых атак на информационные ресурсы // Программные системы: теория и приложения.
17. Кочеткова А. С. Применение нейронных сетей для мониторинга
безопасности информационных систем // Вестник ВолГУ. Серия 9: Исследования молодых ученых. 2007. №6. URL:
http://cyberleninka.ru/article/n/primenenie-neyronnyh-setey-dlya-monitoringa- bezopasnosti-informatsionnyh-sistem.
18. https: //en. wikipedia. org/wiki/DigiNotar
19. http://kdd.ics.uci.edu/databases/kddcup99/kddcup99

Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы

Заказать работу

Заявка на оценку стоимости

Это краткая форма заказа. После ее заполнения вы перейдете на полную форму заказа работы

Каталог работ (131176)

Новости

06.01.2018 Помощь студентам и аспирантам в выполнении работ от наших партнеров Помощь студентам и аспирантам в выполнении работ от наших партнеров

Помощь в выполнении учебных и научных работ на заказ ОФОРМИТЬ ЗАКАЗ

дальше

»» Все новости

Заказать работу

Заявка на оценку стоимости

Это краткая форма заказа. После ее заполнения вы перейдете на полную форму заказа работы

Заказать диплом

Приглашаем авторов студенчесчких работ


©2024 Cервис помощи студентам в выполнении работ
.