350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №11 за 2011 г.
Статья в номере:
Применение искусственных нейронных сетей в задачах обнаружения аномалий в поведении сложных динамических объектов
Авторы:
Д.М. Клионский - магистр техники и технологии по направлению «Радиотехника», аспирант, кафедра «Математическое обеспечение и применение ЭВМ» (МО ЭВМ), Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» E-mail: klio2003@list.ru А.К. Большев - магистр техники и технологии по направлению «Прикладная математика», аспирант, кафедра «Математическое обеспечение и применение ЭВМ» (МО ЭВМ), Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» E-mail: alexander@darkkey.name
Аннотация:
Рассмотрен вопрос обнаружения аномалий в поведении сложных динамических объектов (СДО) и систем. Предлагается методика обнаружения таких аномалий при помощи одноклассовой классификации с использованием нейронных сетей и конфигурация сети для решения таких задач. Проводится исследование применения полученной методики для построения систем обнаружения вторжений в компьютерные сети и систем обнаружения аномалий в работе таких сложных динамических объектов, как спутники и летательные аппараты, где ведется непрерывный анализ большого количества сигналов, поступающих с различных датчиков (датчиков температур, давлений, скоростей, ускорений, вибрационных параметров и т.д.) на предмет выявления аномальных режимов работы отдельных систем или объекта в целом. Предложена эффективная методика анализа большого количества однотипных сигналов, имеющих несколько миллионов отсчетов, на предмет выявления содержащихся в них аномалий.
Страницы: 32-45
Список источников
  1. Han J. Kamber M. Data Mining: concepts and techniques. Morgan Kaufman Publishers. 2005.
  2. Ian H., Eibe F. Practical machine learning tools and techniques with Java implementations. Academic Press. San Diego, CA. USA. 2000.
  3. Xue Li, Osmar R., Zaïane Zhanhuai Li Advanced Data Mining and Applications Second International Conference. ADMA 2006 Xi-an, China. August 14-16. 2006 Proceedings. Springer. 2006.
  4. Bramer M.Principles of Data Mining Springer. 2007
  5. Барсегян А.А., Куприянов М.С., Степаненко В.В. Методы и модели анализа данных: OLAP и Data Mining. СПб.: БХВ-Петербург. 2004.
  6. Keogh E., Chu S., Hart D. & Pazzani M. An Online Algorithm for Segmenting Time Series // Proceedings of IEEE International Conference on Data Mining. 2001. Р. 289-296.
  7. Dobigeon N., Tourneret J., Davy M. Joint Segmentation of Piecewise Constant Autoregressive Processes by Using a Hierarchical Model and a Bayesian Sampling Approach // IEEE transactions on signal processing. 2007. V. 55. № 4. Р.1251-1263.
  8. Halgamuge S., Wang L. Classification and Clustering for Knowledge Discovery. Springer. 2005.
  9. Michie D., Spiegelhalter D.J., Taylor C. Machine Learning, Neural and Statistical Classification // Journal of the American Statistical Association. 1994. 91. № 433. Р.436-437.
  10. Мандель И.Д. Кластерный анализ. М.: Финансы и статистика. 1988.
  11. Chengqi Z., Shichao Z. Association rule mining: models and algorithms. Springer. 2002.
  12. Agrawal R., Srikant R. Fast algorithms for mining association rules in large databases // Proc. Int. Conf. on Very Large Databases, Chile, 1994. San Francisco: Morgan Kaufmann Publishers. 1994. Р. 487-499.
  13. Hoppner F. Knowledge discovery from sequential data. PhD Dissertation. 2003.
  14. Richard J. Povinelli. B.A., B.S. M.S. Time Series Data Mining: Identifying temporal Patterns for Characterization and Prediction of Time Series Events. Milwaukee. Wsconsin. December 1999.
  15. Назаров А.В., Козырев Г.И., Шитов И.В. и др. Современная телеметрия в теории и на практике. СПб.: Наука и техника. 2007.
  16. Зверев Р.И., Шитов И.В. Основы радиотелеметрии. Учеб. пособие. Ч. I. Л.: МО СССР. 1978.
  17. Белицкий В. И., Зверев В.И., Морозов В.М. Телеметрия. Л.: МО СССР. 1984.
  18. Wilson D.R., Martinez T.R. The Need for Small Learning Rates on Large Problems. Utah, Brigham Young University. 2001.
  19. Большев А.К. Яновский В.В. Применение нейронных сетей для обнаружения вторжений в компьютерные сети // Вестник Санкт-Петербургского университета. Сер. 10. Прикладная математика информатика процессы управления. 2009. Вып. 4. С. 38-44. СПб. 2009.
  20. Большев А.К. Лисс А.Р. Прототип эвристической системы обнаружения вторжений в компьютерные сети на основе метода главных компонент // Сборник Политехнического университета. СПб.: Изд-во Политехнического университета. 2010. С. 200-205.
  21. Larry M.Manevitz, Malik Yousef. Document Classification on Neural Networks Using Only Positive Examples. University of Haifa. Haifa. 2005.