Найти

Результаты поиска

• МУЛЬТИАГЕНТНЫЙ АЛГОРИТМ СБОРА ДАННЫХ С МЕТЕОСТАНЦИИ ДЛЯ ПРОГНОЗИРОВАНИЯ УРОЖАЙНОСТИ И СОСТОЯНИЯ ПОСЕВОВ

  И.А. Пшенокова , К.Ч. Бжихатлов , А. А. Унагасов , М.А. Абазоков

  91-101

  2022-04-21

  Аннотация ▼

  Погода оказывает сильное влияние на урожайность и состояние посевов, на требо-
  вания к количеству и качеству удобрений, а также на профилактические меры по предот-
  вращению заболеваний. Плохие погодные условия могут повлиять на качество продукции во
  время транспортировки и хранения, а значит и на жизнеспособность семян и посадочного
  материала. В настоящее время в сельском хозяйстве широко применяются различные сис-
  темы интеллектуального мониторинга, к которым можно отнести спутниковый мони-
  торинг и метеостанции. При этом основополагающую роль играет выбор метода анализа
  полученных данных и интеллектуальных систем их обработки для превентивного прогно-
  зирования. Целью исследования является разработка интеллектуальной системы прогно-
  зирования урожайности и состояния посевов на основе данных с метеостанции. В рамках
  данного исследования разработан мультиагентный алгоритм прогнозирования состояния
  посевов по данным с метеостанции на основе самоорганизации нейрокогнитивной архи-
  тектуры. Приведено описание структурной схемы метеостанции и ее датчиков. Разрабо-
  тан алгоритм программы для сбора и обработки данных с датчиков метеостанции.
  В результате обработки в интеллектуальную систему принятия решений отправляются
  данные о температуре воздуха и почвы, влажности воздуха и почвы, скорости и направле-
  ние ветра, количестве осадков и о сумме активных температур. Описана система по-
  строения причинно-следственных связей, на основе которой строится система прогнозирования, которая позволяет в превентивном порядке делать рекомендации или прогнозы по
  урожайности и состоянию посевов, а также по вероятности заболеваний и распростра-
  нения вредителей на контролируемых посевах.

• АНАЛИЗ ЗАШИФРОВАННОГО СЕТЕВОГО ТРАФИКА НА ОСНОВЕ ВЫЧИСЛЕНИЯ ЭНТРОПИИ И ПРИМЕНЕНИЯ НЕЙРОСЕТЕВЫХ КЛАССИФИКАТОРОВ

  В.А. Буковшин , П. А. Чуб , Д.А. Короченцев , Л.В. Черкесова , Н. В. Болдырихин , О.А. Сафарьян

  2021-02-13

  Аннотация ▼

  Анализ сетевого трафика позволяет решить множество задач, таких как: определе-
  ние закономерности передачи данных по сети, сбор статистики об использовании веб–
  приложений, мониторинг и дальнейшее исследование сетевой нагрузки, определение потен-
  циальных вредоносных программных средств и сетевых атак и т.д. На данный момент до
  40% Интернет–траффика принадлежит неизвестным приложениям. Это говорит о том,
  что для области анализа сетевого трафика задача классификации приложений приобрела
  особую важность. Совершенствование программного обеспечения в области сетевых тех-
  нологий способствовало обнаружению серьёзных уязвимостей в реализации некоторых
  сетевых протоколов, а именно: TCP и HTTP. С помощью анализаторов сетевого трафика
  злоумышленник получал доступ к содержимому пакетов данных, передающихся по сети.
  Однако с повышением квалификации информационного сообщества в области компьютер-
  ной безопасности, а также с развитием стандартов сетевых технологий, анализ сетевого
  трафика заметно усложнился. Возросшее применение математических методов защиты
  информации, таких как симметричные и ассиметричные криптографические протоколы,
  привела к тому, что большинство подходов к анализу сетевого трафика потеряли значение и
  перестали применяться. Поэтому актуален поиск новых решений задачи классификации
  сетевого трафика с учетом возможности его шифрования. Статья посвящена описанию
  нового смешанного подхода к анализу сетевого трафика, основанного на совокупном ис-
  пользовании теории информации и алгоритмов машинного обучения. Также приводится
  сравнительный анализ предложенного метода с уже существующими подходами, основан-
  ными как на теории информации, так и на машинном обучении. Целью исследований явля-
  ется разработка алгоритма, основанного на интеллектуальном подходе к анализу сетево-
  го трафика. Предлагаемый алгоритм базируется на вычислении энтропии и применении
  нейросетевых классификаторов. Задачи исследований включают: проведение теоретиче-
  ского обоснования предложенного подхода в области теории информации, а также алго-
  ритмов машинного обучения; проведение структурного описания реализованных алгоритмов
  вычисления энтропии и классификации приложений, генерирующих зашифрованный траф-
  фик; сравнительный анализ предложенного алгоритма с уже существующими подходами к
  анализу зашифрованного сетевого трафика. Результатом исследований является новый
  алгоритм, позволяющий с высокой степенью достоверности классифицировать различные
  виды зашифрованного трафика.