Міжнародна науково-технічна конференція «Інформаційні технології в металургії та машинобудуванні. ІТММ'26»

Permanent URI for this collectionhttps://crust.ust.edu.ua/handle/123456789/22401

ENG: Scientific and Technical International Conference «Information Technology in Metallurgy and Machine Engineering. ITMM'26», April 21-23, 2026

Browse

Now showing 1 - 2 of 2

Застосування методів машинного навчання для виявлення аномалій у мережевому трафіку
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2026) Малієнко, Станіслав Євгенович; Селівьорстова, Тетяна Віталіївна
UKR: У роботі досліджено ефективність методів машинного навчання для виявлення аномалій у мережевому трафіку. Проаналізовано основні підходи до побудови інтелектуальних систем виявлення вторгнень (IDS), зокрема сигнатурний аналіз та методи на основі машинного навчання. Виконано експериментальне порівняння алгоритмів Random Forest, Support Vector Machine, k-Nearest Neighbors та багатошарового перцептрона на датасеті NSL-KDD. Оцінку якості класифікації проведено за метриками Accuracy, Precision, Recall та F1-score. Результати показали, що метод Random Forest забезпечує найкращий баланс точності та швидкодії для задач виявлення мережевих аномалій у режимі реального часу. Визначено перспективи застосування ансамблевих методів та глибокого навчання для підвищення якості детектування кіберзагроз.
Концептуальні основи виявлення аномалій у промислових інформаційних системах з використанням машинного навчання
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2026) Довидовський, Едуард О.; Гуда, Антон Ігорович; Селівьорстова, Тетяна Віталіївна
UKR: У роботі розглянуто підходи до виявлення аномалій у промислових інформаційно-управляючих системах із використанням методів машинного навчання. Проаналізовано особливості функціонування сучасних виробничих середовищ та пов’язані з ними ризики інформаційної безпеки, що виникають у процесі цифрової трансформації промисловості та інтеграції інформаційних технологій у виробничі процеси. Основну увагу приділено моделям неконтрольованого навчання, які дозволяють формувати узагальнене уявлення про нормальний стан системи без попереднього маркування даних. Розглянуто принцип роботи автоенкодера як інструмента виявлення відхилень на основі аналізу помилки реконструкції. Запропоновано узагальнену концептуальну схему виявлення аномалій, що базується на порівнянні фактичних і відновлених значень параметрів та дозволяє інтерпретувати відхилення як потенційні порушення нормального функціонування системи. Робота має теоретичний характер і спрямована на систематизацію існуючих підходів.