Кафедра "Електронні обчислювальнi машини" (КЕОМ ДІІТ)

Permanent URI for this communityhttp://crust.ust.edu.ua/handle/123456789/695

ENG: Department "Electronic Computers"

Browse

Now showing 1 - 7 of 7

Intelligent Computer Network for Railway Transport Using Neural Network for Determining the Optimal Route
(Sergeieva&Co, Karlsruhe, Germany, 2025) Pakhomova, Victoria M.; Budnikov, Oleksandr
ENG: At the present stage, the information and telecommunications system of railway transport uses local area networks of Ethernet family technologies and the OSPF protocol, when used in real time, a problem arises due to constant changes in the volume of transmitted data, and for its solution it is advisable to use a neural network tool, which confirms the relevance of the topic. As a mathematical apparatus for solving the problem of determining the optimal route, a neural network of the configuration «56-1-X-56» was taken, where 56 (first position) is the number of input neurons (delays on routers); 1 is the number of hidden layers; X is the number of hidden neurons that require additional research; 56 (last position) is the number of output neurons (signs of the entry of computer network channels into the route). In the program mode of the Deep Learning Toolbox package of the MatLAB environment, a corresponding model “Delay_path” was created, on which the root mean square error and the number of epochs of training of neural networks with different numbers of hidden neurons were studied using different neuron activation functions according to different learning algorithms on samples of different lengths. It was determined that the accuracy of the created neural network tool is 70 % for the considered fragment of the information and telecommunications system of railway transport.
Investigation of Multilayer Neural Network Parameters for Determination of R2l Category Network Attacks
(Sergeieva&Co, Karlsruhe, Germany, 2021) Pakhomova, Victoria M.; Bikovska, Daria H.
ENG: To determine R2L network attacks, Python created the MLP software model using the open KDDCup database, which was used to study the values of accuracy and error from the number of neural network learning epochs based on various data: activation functions, hidden neurons, optimization methods. The optimal parameters and configuration of the neural network for detecting classes of network attacks are determined: Ftp_write, Guess_passwd, Imap, Multihop, Phf, Spy, Warezclient, Warezmaster.
Methodology for Forming Competences in Students of Specialties «Computer Engineering», «Cybersecurity and Information Protection» when Completing a Course Project in the Discipline «Computer Networks»
(ProConferenceOrg in conjunction with Sergeieva&Co, Karlsruhe, Germany, 2025) Pakhomova, Victoria M.
ENG: The proposed methodology «NeuralRoutingNetwork» for the formation of professional and subject competencies of applicants for the degree of «bachelor» in the specialties «Computer Engineering», «Cybersecurity and Information Protection» when performing a course project in the discipline «Computer Networks»: 1) obtaining an idea of the organization of routing in modern computer networks based on the use of the created neural network tool; 2) compiling a configuration of a neural (fuzzy) network for determining routes in a computer network; 3) creating a model of a neural (fuzzy) network in accordance with the compiled structure using the selected neuropackage; 4) preparing samples for training and testing the created neural (fuzzy) network; 5) determining the optimal parameters of the created neural (fuzzy) network; 6) assessing the accuracy of determining routes in a computer network based on the created neural network tool.
Study of the Possibility of Using the RBF Network to Detect U2R Category Network Attacks
(D.A. Tsenov Academy of Economics, Svishtov, Bulgaria, 2022) Pakhomova, Victoria N.; Kulyk, Victoria
ENG: The "RBF_U2R" program based on the implementation of the RBF network, the configuration of which is N-M-K (where N is the number of input neurons; M is the number of basic functions; K is the number of resulting neurons) was created in Python for detecting the following classes of attacks: Buffer_overflow; Loadmodule; Perl; Rootkit; Normal and using network traffic parameters from the open KDDCup database. Studies of the accuracy parameter were carried out during the training epochs of the neural network on the created program.
Дослідження дворівневого виявлення PROBE атак засобами нейронних мереж
(Видавничий дім “Гельветина”, м. Одеса, Україна, 2024) Пахомова, Вікторія Миколаївна; Галушка, Олександр Валентинович
UKR: У даній роботі проведено дослідження дворівневого виявлення мережевих атак категорії Probe засобами нейронних мереж. Запропоновано використання багатошарового перцептрону конфігурації 31-1-124-5, де 31 – кількість вхідних нейронів; 1 – кількість прихованих шарів; 124 – кількість прихованих нейронів; 5 – кількість результуючих нейронів для виявлення мережевої категорії атаки DоS, U2R, R2L та Probe (на першому рівні) та самоорганізуючої карти Кохонена 10*10 для виявлення мережевих класів атак відповідно до категорії Probe: Ipsweep; Nmap; Portsweep; Satan (на другому рівні). Для виявлення мережевих атак категорії Probe створено з використанням мови Python та бібліотеки PyTorch програмну модель «MLP1-SOM2_Probe», що заснована на реалізації запропонованих конфігурацій багатошарового перцептрону та самоорганізуючої карти Кохонена. Для організації досліджень використані дані із KDDСup99, що пройшли відповідну обробку на підготовчому етапі: очищення даних; вибір ознак; мапінг категоріальних ознак; масштабування та нормалізація; розбиття даних на відповідні вибірки (навчальна, тесту вальна та валідаційна). На створеній моделі «MLP1-SOM2_Probe» визначені оптимальні параметри відповідних нейронних мереж: функція активації, оптимізатор і швидкість навчання для MLP1; ступінь впливу нейрона на сусідні нейрони та швидкість навчання для SOM2. Проведено оцінювання параметрів якості дворівневого виявлення Probe атак на створеній моделі «MLP1-SOM2_Probe». Визначено, що дворівневе виявлення атак на моделі «MLP1-SOM2_Probe» склало в середньому приблизно 98,8 %, що дозволяє досягти більш високої точності в зрівнянні з дворівневим виявленням атак на основі використання моделі «MLP1-MLP2_Probe».
Дослідження двох підходів до виявлення мережних атак із використанням нейромережної технології
(Дніпровський національний університет залізничного транспорту імені академіка В. Лазаряна, Дніпро, 2020) Пахомова, Вікторія Миколаївна; Коннов, Михайло Сергійович
UK: Мета. На сучасному етапі найчастіше пропонують системи виявлення мережних атак, що побудовані на основі таких нейронних мереж: багатошарового персептрона, мережі Кохонена або самоорганізованої карти та їх комбінацій. У статті передбачено дослідити ефективність двох підходів до виявлення атак на комп’ютерну мережу з використанням нейромережної технології на основі нормалізованих даних відкритої бази NSL–KDD. Методика. Як архітектурні рішення системи виявлення мережних атак запропоновано розглянути такі підходи: на основі однієї нейронної мережі, що визначає клас атаки (перший підхід), та ансамблю із п’яти нейронних мереж (другий підхід), який на першому етапі визначає категорію атаки (DoS, Probe, U2R, R2L), а на другому етапі – клас атаки, що належить до певної категорії. Результати. На створених у програмі MatLAB нейронних мережах проведено дослідження їх похибки від довжини навчальної вибірки за різними алгоритмами навчання: Levenberg–Marquardt; Bayesian Regularization; Scaled Conjugate Gradient – за різної кількості прихованих нейронів (мінімальної, середньої та максимальної). Визначено оптимальні параметри нейронних мереж за двома підходами. Наукова новизна. У ході проведення експериментів за різними підходами отримано результати: TP (True Positive); FP (False Positive); FN (False Negative); TN (True Negative). На їх основі розраховано такі показники оцінки якості рішень: коректність визначення мережних атак; помилкові спрацьовування; достовірність; точність та повнота, що доказують доцільність використання ансамблю нейронних мереж (другого підходу). Практична значимість. На створених нейронних мережах за двома підходами проведено дослідження: часу роботи нейронних мереж; помилки першого роду; помилки другого роду. За результатами першого дослідження в середньому час роботи ансамблю нейронних мереж складає 0,92 с, а час роботи нейронної мережі (за першим підходом) дорівнює 2,21 с. За результатами другого дослідження помилка першого роду з використанням ансамблю нейронних мереж складає 2,17 %, а за першим підходом – 7,39 %. За результатами третього дослідження помилка другого роду з використанням ансамблю нейронних мереж складає 3,91 %, а за першим підходом – 6,96 %, що підтверджує ефективність використання ансамблю нейронних мереж (другого підходу).
Дослідження сомоорганізуючої карти Кохоненна щодо виявлення мережевих атак категорії R2L
(Херсонський національний технічного університет, Херсон, 2023) Пахомова, Вікторія Миколаївна; Сухомлин, Олексій Олександрович
UKR: У даній роботі виконано дослідження можливості самоорганізуючої карти Кохонена щодо виявлення мережевих атак категорії R2L. Для виявлення атак категорії R2L відповідно до наступних мережевих класів: Ftp_write; Guess_passwd; Imap; Multihop; Phf; Spy; Warezclient та Warezmaster запропоновано самоорганізуючу карту Кохонена конфігурації 41-1-Х-9, де 41 – кількість нейронів першого шару (параметри мережевого трафіку на основі використання бази даних NSL-KDD); 1 – кількість прихованих шарів (шар Кохонена); Х – кількість прихованих нейронів; 9 – кількість нейронів результуючого шару. Для виявлення мережевих атак категорії R2L створено з використання мови Python програмну модель «SOM_R2L», що заснована на реалізації запропонованої конфігурації самоорганізуючої карти Кохонена та використанні її алгоритму. На створеній програмній моделі «SOM_R2L» проведено дослідження точності на різних картах (5×5, 10×10, 20×20, 30×30) при різній кількості прикладів на кожен клас (5, 10, 15, 20) за різною кількістю епох навчання (20, 40, 60, 80, 100, 200). Визначено оптимальну конфігурацію самоорганізуючої карти Кохонена: 10×10, що навчалася упродовж 40 епох на вибірці із 900 прикладів (по 10 прикладів на клас). На створеній програмній моделі «SOM_R2L» проведено дослідження параметрів якості виявлення атак категорії R2L. Визначені значення помилок другого роду для мережевих класів атак категорії R2L: Ftp_write – 1,11 %; Guess_passwd – 17,78 %; Imap – 1,11 %; Multihop – 4,44 %; Phf – 0 %; Spy – 1,11 %; Warezclient – 2,22 %; Warezmaster – 14,44 %; Normal – 5,56 %.