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
Ключевые слова:
искусственная нейронная сеть
одноклассовая классификация
сложный динамический объект
компьютерная сеть
вторжение в компьютерную сеть
интеллектуальный анализ сигналов
сегментация
выявление аномалий
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
- Han J. Kamber M. Data Mining: concepts and techniques. Morgan Kaufman Publishers. 2005.
- Ian H., Eibe F. Practical machine learning tools and techniques with Java implementations. Academic Press. San Diego, CA. USA. 2000.
- 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.
- Bramer M.Principles of Data Mining Springer. 2007
- Барсегян А.А., Куприянов М.С., Степаненко В.В. Методы и модели анализа данных: OLAP и Data Mining. СПб.: БХВ-Петербург. 2004.
- 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.
- 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.
- Halgamuge S., Wang L. Classification and Clustering for Knowledge Discovery. Springer. 2005.
- 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.
- Мандель И.Д. Кластерный анализ. М.: Финансы и статистика. 1988.
- Chengqi Z., Shichao Z. Association rule mining: models and algorithms. Springer. 2002.
- 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.
- Hoppner F. Knowledge discovery from sequential data. PhD Dissertation. 2003.
- 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.
- Назаров А.В., Козырев Г.И., Шитов И.В. и др. Современная телеметрия в теории и на практике. СПб.: Наука и техника. 2007.
- Зверев Р.И., Шитов И.В. Основы радиотелеметрии. Учеб. пособие. Ч. I. Л.: МО СССР. 1978.
- Белицкий В. И., Зверев В.И., Морозов В.М. Телеметрия. Л.: МО СССР. 1984.
- Wilson D.R., Martinez T.R. The Need for Small Learning Rates on Large Problems. Utah, Brigham Young University. 2001.
- 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.
- 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.
- Larry M.Manevitz, Malik Yousef. Document Classification on Neural Networks Using Only Positive Examples. University of Haifa. Haifa. 2005.