Найти

Результаты поиска

• МУЛЬТИМОДАЛЬНЫЙ МЕТОД ИЗВЛЕЧЕНИЯ ПРИЗНАКОВ ДАННЫХ ДЛЯ КЛАССИФИКАЦИИ СЕТЕВЫХ АТАК

  А.В. Балыбердин

  6-16

  2025-07-24

  Аннотация ▼

  Система обнаружения вторжений (СОВ) является важным компонентом защиты корпоративной сети передачи данных (КСПД). СОВ анализирует сетевой трафик и выявляет сетевые атаки. В зависимости от методов детектирования, СОВ можно классифицировать на следующие виды систем: система сигнатурного анализа, система обнаружения аномалий (СОА) и гибридная система, объединяющая ранее рассмотренные системы. В последнее время активно развиваются системы обнаружения аномалий (СОВ). Для систем обнаружения аномалий сетевые атаки представляют собой аномальное поведение сетевого трафика, состоящего из набора признаков или атрибутов событий. Современные СОВ опираются на методы машинного и глубокого обучения, в связи с чем обнаружение сетевых атак и аномалий формулируется как задача классификации и кластеризации. Для решения данных задач необходимы методы оптимизации признакового пространства сетевого трафика. Целью работы является разработка метода извлечения признаков на основе мультимодального подхода представления данных сетевого трафика для классификации сетевых атак. В работе рассмотрен анализ релевантных исследований по методам извлечения признаков из различных областей. Задача исследования – повысить эффективность классификации с помощью метода мультимодального представления признаков сетевого трафика. Результатом работы является метод извлечения признаков данных на основе двух модальностей: спектрального представления признаков сетевого трафика и матрицы признаков изображений. Новизна представленного метода заключается в применении метода оконного преобразования Фурье для событий сетевого трафика, с последующим вычислением спектральных признаков для дискретных сигналов, а также преобразованием признаков данных в матрицу изображений и её расширением для оптимизации пространства признаков с помощью сверточной нейронной сети (convolutional neural network, CNN). Оценка мультимодального метода показала, что данный метод повысил точность классификации для несбалансированных классов сетевых атак.

• ВЕРИФИКАЦИЯ ДИНАМИЧЕСКИХ БИОМЕТРИЧЕСКИХ ПАРАМЕТРОВ ЛИЧНОСТИ НА ОСНОВЕ ВЕРОЯТНОСТНОЙ НЕЙРОННОЙ СЕТИ

  Ю.А. Брюхомицкий

  2021-01-19

  Аннотация ▼

  Биометрическая верификация личности используются преимущественно при доступе
  в компьютерные и мобильные системы, а также для удаленной (голосовой) верификации.
  При этом наибольшее распространение получили системы биометрической верификации
  по фиксированной парольной фразе, которые достаточно просты в реализации, но очень
  уязвимы для атак воспроизведения скомпрометированного короткого текста. Для устра-
  нения этого недостатка верификацию личности предлагается осуществлять по произ-
  вольному в отношении объема, содержания и языка тексту (текстонезависимая биомет-
  рическая верификация). В данной работе предлагается обобщенный подход к решению за-
  дачи верификации личности по динамическим биометрическим параметрам разной мо-
  дальности (клавиатурный почерк, рукопись, голос). Представление сигналов динамической
  биометрии осуществляется путем преобразования их в последовательности информаци-
  онных единиц, каждая из которых содержит одинаковое количество отсчетов биометри-
  ческого сигнала соответствующей модальности. Решение поставленной задачи осуществ-
  ляется путем контроля степени концентрации близко расположенных информационных
  единиц (кластеров) в определенных точках многомерного признакового пространства. Реа-
  лизуется такой контроль на вероятностной нейронной сети, осуществляющей статисти-
  ческую оценку плотности вероятности распределения информационных единиц в соответ-
  ствующих кластерах с последующим определением суммарной плотности вероятности для
  всего класса объектов. Преимуществами предлагаемого подхода являются: обобщение
  существенно различных методов текстонезависимой верификации личности по динамиче-
  ским биометрическим параметрам разной модальности; возможность принимать вери-
  фикационное решение за фиксированное время поступления биометрических данных, опре-
  деляемое размером используемого эталона; возможность задавать точность верифика-
  ции путем изменения размерности слоя образцов вероятностной сети. Недостатком
  предлагаемого подхода является необходимость программной реализации нейронной сети
  большой размерности. Однако этот недостаток быстро нивелируется с повышением про-
  изводительности средств вычислительной техники.