Комбинированная нейросетевая модель для анализа состояния элементов компьютерной сети
Abstract
В статье рассматривается подход к реализации аналитического блока системы интеллектуальной поддержки решений по администрированию компьютерных сетей, основанный на применении комбинированной нейросетевой модели. Результаты проведенных экспериментов показали достаточно высокую точность предложенного решения, хорошую адаптивность и возможность его применения в широком диапазоне конфигураций компьютерных сетей.
Keywords:
искусственные нейронные сети – artificial neural network; слой Кохонена – Kohonen layer; компьютерные сети – computer network; аналитический блок – analytical unit; система интеллектуальной поддержки – intelligent support system.
References
1. Chen, Y. Hybrid Neural Network Architecture for On-Line Learning / Y. Chen, S. Kak, L. Wang // Intelligent Information Management. – 2010. –Vol. 2, No. 4. – P. 253–261.
2. Isabona, J. Hybrid neural network approach for predicting signal propagation loss in urban microcells / J. Isabona, V.M. Srivastava // Proceedings of the 2016 IEEE Region 10 Humanitarian Technology Conference (R10–HTC). – 2016. – P. 1–5.
3. Wan, L. A Hybrid Neural Network-Latent Topic Model / L. Wan, L. Zhu, R. Fergus // Proceedings of the 15th International Conference on Artificial Intelligence and Statistics (AISTATS). – 2012. – Vol. 22. – P. 1287–1294.
4. Fu, P.-C. A Hybrid Neural Network – First Principles Approach to modelling of cell metabolism / P.-C. Fu, J.P. Barford // Computers & Chemical Engineering. – 1996. – Vol. 20, No. 6–7. – P. 951–958.
5. Souza, L.G.M. Nonlinear system identification using local arx models based on the self-organizing map / L.G.M. Souza, G.A. Barreto // Learning and Nonlinear Models – Revista da Sociedade Brasileira de Redes Neurais (SBRN). – 2006. – Vol. 4, No. 2. – P. 112–123.
6. Нейросетевой подход к прогнозированию состояния элементов сети Интернет вещей / И.В. Котенко [и др.] // Сборник докладов XVIII Международной конференции по мягким вычислениям и измерениям (SCM'2015). – 2015. – Том 1. – С. 395–399.
7. Скорик, Ф. А. Комбинированная нейронная сеть для мониторинга состояния вычислительной сети / Ф.А. Скорик, И.Б. Саенко, С.Н. Бушуев // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT’20». Научное издание в 3-х томах. – 2020. – Т. 1. – С. 13–18.
8. A hybrid rule based fuzzy-neural expert system for passive network monitoring / A. Azruddin [et al.] // Proceedings of the Arab Conference on Information Technology ACIT 2002, Dhaka. – 2002. – P. 746–752.
9. Mishra, A. Design of Hybrid Fuzzy Neural Network for Function Approximation / A. Mishra, Z. Zaheeruddin // Journal of Intelligent Learning Systems and Applications. – 2010. – Vol. 2, No. 2. – P. 97–109.
10. Kasabov, N. Quantum-inspired Particle Swarm Optimization for Integrated Feature and Parameter Optimization of Evolving Spiking Neural Networks / N. Kasabov, H.N.A. Hamed // International Journal of Artificial Intelligence. – 2011. – Vol. 7, No. A11. – P. 114–124.
11. Попова, Е. П. Прогнозирование реакции пользователей в социальных сетях методами машинного обучения / Е.П. Попова, В.Н. Леоненко // Научно-технический вестник информационных технологий, механики и оптики. – 2020. – Т. 1, № 1. – С. 118–124.
12. Сравнение алгоритмов, основанных на методах машинного обучения для классификации объектов природного происхождения на территории Южного Урала / А.А. Махмутов [и др.] // Геоэкологические основы землеустройства. Материалы IV Международной научно-практической конференции. – 2017. – С. 62–74.
13. Behal, S. D-FACE: An anomaly based distributed approach for early detection of DDoS attacks and flash events / S. Behal, K. Krishan, M. Sachdeva // Journal of Network and Computer Applications. – 2018. – Vol. 111. – P. 49–63.
14. Метод нейронных сетей в моделировании финансовых показателей компании / И.П. Курочкина [и др.] // Статистика и Экономика. – 2017. – № 5. – С. 33–41.
15. Буханов, Д. Г. Система обнаружения вторжений в IP-сети с использованием искусственных нейронных сетей адаптивно-резонансной теории с иерархической структурой памяти / Д.Г. Буханов, В.М. Поляков // Информация и безопасность. – 2019. – Т. 22, № 1. – С. 44–67.
16. The Australian Defence Force Academy (ADFA) [Электронный ресурс]. – Режим доступа: https://www.unsw.adfa.edu.au/unsw-canberra-cyber/cybersecurity/ ADFA-IDS-Datasets, свободный. – Загл. с экрана (дата обращения: 23.06.2021).
17. Девяткин, Д. А. Методы выявления связей между нормативно-правовыми документами / Д.А. Девяткин, А.Т. Софронова, И.В. Соченков // Искусственный интеллект и принятие решений. – 2019. – № 4. – С. 61–69.