ПРИКАСПИЙСКИЙ ЖУРНАЛ
УПРАВЛЕНИЕ И ВЫСОКИЕ ТЕХНОЛОГИИ
НЕЙРОСЕТЕВАЯ ТЕХНОЛОГИЯ ОБНАРУЖЕНИЯ АНОМАЛЬНОГО СЕТЕВОГО ТРАФИКА
 |
Читать | Частикова Вера Аркадьевна, Жерлицын Сергей Анатольевич, Воля Яна Игоревна, Сотников Владимир Владимирович НЕЙРОСЕТЕВАЯ ТЕХНОЛОГИЯ ОБНАРУЖЕНИЯ АНОМАЛЬНОГО СЕТЕВОГО ТРАФИКА // Прикаспийский журнал: управление и высокие технологии. — 2020. — №1. — Стр. 20-32. |
/20-32.jpg)
Частикова Вера Аркадьевна - Кубанский государственный технологический университет, chastikova_va@mail.ru
Жерлицын Сергей Анатольевич - Кубанский государственный технологический университет, kpytooooo@gmail.com
Воля Яна Игоревна - Кубанский государственный технологический университет, volya_y@mail.ru
Сотников Владимир Владимирович - Кубанский государственный технологический университет, bubert9@mail.ru
Рассмотрены существующие методы анализа сетевого трафика, указаны их возможности и ограничения. Продемонстрирована актуальность решаемой задачи. Обоснована целесообразность использования нейросетевого подхода к обнаружению аномалий сетевого трафика. Исследована эффективность использования алгоритмов роевого интеллекта применительно к задаче обучения нейронных сетей, выявлены особенности данных алгоритмов. Реализована объектно - ориентированная библиотека для выявления сетевых атак с использованием нейросети с архитектурой многослойного персептрона. На данном этапе исследования для обучения нейросети и оценки качества распознавания трафика был применен датасет KDD Cup 1999 Data. Описаны преимущества и недостатки реализованного решения. Представлен способ устранения распространенного недостатка датасетов, связанного с несбалансированностью обучающих данных. Описаны используемые технологии: архитектура нейронной сети, алгоритм обучения, способ уменьшения размерности обрабатываемых данных. На втором этапе был использован набор данных CSE-CIC-IDS2018. Предложена нейросетевая модель, построенная на базе архитектуры LSTM и эмбеддинговой сетей. Для обучения разработанной системы предложено применение алгоритма Adam, основанного на градиентном спуске. На основе использования названных алгоритмов, моделей и технологий был реализован, а затем и протестирован программный комплекс для обнаружения сетевых атак.
Ключевые слова: нейронная сеть, сетевая атака, многослойный перцептрон, роевой интеллект, LSTMсеть, эмбеддинговая сеть, Focal Loss, алгоритм Adam, neural network, network attack, perceptron, swarm intelligence, LSTM network, embedding network, Focal Loss, Adam algorithm