Нейронные сети
Заказать уникальную курсовую работу- 25 25 страниц
- 4 + 4 источника
- Добавлена 06.03.2023
- Содержание
- Часть работы
- Список литературы
- Вопросы/Ответы
1. История нейронных сетей 5
2.Искусственный нейрон 9
3.Архитектура 13
4.Методы обучения нейронных сетей 15
5. Применение нейронных сетей. 20
Заключение 24
Список использованной литературы 25
По этим причинам в последние годы источники данных и сервисы становятся все более уязвимыми для атак с использованием интернет-протоколов - удаленных сетевых атак.DDoS-атаки являются самыми распространенными из множества типов кибер-атак. По статистике, эти виды угроз являются самыми важными каждый год. Распространенность этого типа вредоносных сетевых воздействий обусловлена простотой реализации, доскональным знанием механизма исполнения и низкими требованиями к знаниям и вычислительным ресурсам злоумышленника.Распределенная атака типа "отказ в обслуживании" (DDoS) - это вредоносная деятельность, направленная на блокировку компьютерной системы в таком состоянии, когда она не может поддерживать законных пользователей или выполнять свои функции должным образом. DDoS-атака осуществляется одновременно с нескольких компьютеров, которые вместе образуют ботнет.Материалы и методы исследованияДля защиты от кибератак разрабатываются методы и механизмы; почти все современные программные и аппаратные схемы защиты используют различные методы. Из-за высокой стоимости средств защиты многие компании отказываются от их приобретения и использования, что значительно увеличивает финансовые потери и потери клиентов в случае кибератаки. В таблице 2 приведены основные механизмы, используемые в современных инструментах для предотвращения DDoS-атак.Таблица 2Основные механизмы защиты. Сравнительный анализОдним из наиболее эффективных и перспективных методов обнаружения DDoS-атак является нейросетевой механизм, который широко используется в современных средствах защиты.Искусственная нейронная сеть - это математическая модель и ее программная или аппаратная реализация, основанная на организации и работе биологических нейронных сетей [9-10]. Производительность нейронной сети напрямую зависит от выбранной архитектуры, параметров и метода обучения.Каждый нейрон - это единица обработки информации в нейронной сети. Нейронная модель состоит из трех основных элементов:1. Набор синапсов: входные значения, которые должны быть доставлены в нейрон. Каждый синапс характеризуется своим весом.2. Сумматор - суммирует взвешенные значения входных сигналов на соответствующих синапсах нейрона.3. Функция активации - ограничивает амплитуду выходного значения сигнала нейрона.Обнаружение вторженийСистемы обнаружения вторжений используют различные методы и инструменты для анализа получаемой информации. Каждый день появляются новые типы атак, которые трудно обнаружить с помощью плохо адаптируемого программного и аппаратного обеспечения для обнаружения. Именно поэтому используются инструменты и методы искусственного интеллекта.Информационная безопасность является важным вопросом в киберсетях из-за возможности несанкционированного доступа к файлам корпоративных данных. В результате корпоративные менеджеры больше не используют открытые информационные системы. Потребность в своевременном и точном обнаружении атак на компьютерные системы или системы обработки информации возросла с распространением распределенных сетевых систем и незащищенных сетей.Большинство современных подходов к обнаружению атак используют ту или иную форму анализа на основе правил. Набор правил включается в экспертную систему. Поскольку экспертная система очень быстро устаревает, ее необходимо постоянно обновлять. К сожалению, экспертные системы недостаточно гибкие, что является одним из их главных недостатков. В последние годы было разработано довольно много методов обнаружения атак, основанных на использовании неэкспертных систем.Обнаружение мошенничестваСогласно отчету Nilson о дебетовых картах и мобильных платежах, в 2016 году потери от мошенничества составили 22,8 млрд долларов США, что на 4,4% больше, чем в 2015 году. Это лишь усиливает необходимость того, чтобы банки научились выявлять мошенничество на ранних стадиях, еще до его возникновения.Это обширная и очень сложная задача. В настоящее время разработано множество методов, в основном основанных на науке о данных, таких как обнаружение аномалий. В зависимости от имеющегося набора данных, большинство этих методов можно свести к двум основным вариантам:- Сценарий 1: Набор данных содержит достаточное количество образцов мошенничества.- Сценарий 2: В наборе данных нет (или только несколько) образцов мошенничества. В первом случае мы можем решить проблему обнаружения мошенничества с помощью классических методов машинного обучения или статистического анализа. Мы можем обучить модель или рассчитать вероятности для двух категорий (легитимные и мошеннические события) и применить модель к новым событиям, чтобы определить их легитимность. В этом случае с учителем будет работать любой алгоритм машинного обучения для классификации, например, случайный лес и логистическая регрессия.Во втором случае у нас нет образцов мошеннических операций, поэтому приходится проявлять изобретательность. Поскольку у нас есть только образцы законных транзакций, мы должны убедиться, что этого достаточно. Есть два варианта: рассматривать мошенничество как выброс или как выброс и использовать соответствующий подход. В первом случае можно использовать изолирующий лес, а во втором случае классическим решением является автоматический кодер.Обнаружение вредоносных программСовременные компьютерные системы требуют специальных мер для защиты от вредоносного ПО. Вирусы развиваются быстрее, чем антивирусы, поэтому информационные системы должны иметь механизм мониторинга и развития. В данной статье предлагается новый метод скрытого обнаружения вредоносного ПО и его компонентов. Он утверждает, что статический анализ недостаточно эффективен, но это самый надежный шаг в антивирусной защите. Чем эффективнее будет этот процесс, тем лучше будет защищена компьютерная система. Для достижения этой цели был разработан новый метод сканирования входящего трафика с использованием новых модификаций. Это поиск методов повышения эффективности антивирусной защиты в статическом режиме. Цель исследования - повысить вероятность обнаружения вредоносных программ. Для достижения этой цели было решено несколько задач по расширению процессов "белого" и "черного" списков. Новизна метода заключается в использовании новых взаимосвязанных процедур при анализе входного файла: структуры, связей, функциональности элементов и параллельном поиске совпадений с использованием фрагментов в зависимости от длины имеющихся сигнатур, замене обнаруженных элементов на базовый элемент белого списка, расщеплении скомпрометированного фрагмента и последующем повторении цепочки процедур до уровня компонента и замене его на соответствующий функциональный элемент белого списка. Результаты моделирования показали увеличение на 15,3% количества успешно обнаруженных вирусных файлов по сравнению с общим количеством принятых файлов. Практическая важность использования нового метода заключается в повышении эффективности статического анализа. Прямые и обратные связи между статическим и динамическим сканированием повышают эффективность защиты от вирусов.Типы атакРассмотрим основную классификацию атак, которые помогают предотвратить технологии нейросети.DoS - это атака, проводимая с целью довести систему до отказа. Генерируется огромное количество трафика, что приводит к перезагрузке и аварийному завершению работы сервера.R2L - доступ неизвестного пользователя к компьютеру с удаленной системы.3. Зонд - сканирование порта, ведущее к получению конфиденциальной информации.4. U2R - использование зарегистрированного пользователя в качестве суперпользователя.Man-in-the-Middle - подслушивание или активное участие в разговорах, изменение содержания сообщений, выдача себя за человека или систему, с которой, как кажется, они разговаривают.Перехват cookie - использование действующей компьютерной сессии для получения несанкционированного доступа к информации или услугам в компьютерной системе.ЗаключениеВывод заключается в том, что сегодня существует большое количество инструментов и технологий, которые решают общие проблемы сети нейронов. Данная технология применяется во всех передовых производствах и и исследованиях, особенно важно, что нейро-технологии являются защитой информационного пространства Интернета.Наука не стоит на месте и изучение нейронной сети все больше модернизируется и развивается.В курсовой работе были рассмотрены вопросы:История нейронных сетей ;Искусственный нейрон ;Архитектура;Методы обучения нейронных сетей ;Применения нейронных сетей.Подобраны были рисунки и таблицы к содержанию курсового проекта.Цели и задачи выполнены. Составлен отчет по выполнению курсовой работы.Список литературыКрис Митчелл. Артем Конев. Обеспечение безопасности веб-сайтов. // Australia: SophosLabs. [Электронный ресурс]. URL: http://help.yandex.ru/webmaster/protecting-sites/ contents.xml (дата обращения: 15.02.2016).KONFERENSIYA 2022 Смирнов С.Н. Безопасность систем баз данных -М.: Гелиос АРВ, 2007.-352с., ил.Розенблат Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. Мир, 2004, 248 с.С. Короткий, "Нейронные сети: Алгоритм обратного распространения". СПб, 2002, 328 с.
2. Смирнов С.Н. Безопасность систем баз данных -М.: Гелиос АРВ, 2007.-352с., ил.
3. Розенблат Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. Мир, 2004, 248 с.
4. С. Короткий, "Нейронные сети: Алгоритм обратного распространения". СПб, 2002, 328 с.
Вопрос-ответ:
Какие методы обучения нейронных сетей существуют?
Существуют различные методы обучения нейронных сетей, такие как обучение с учителем, обучение без учителя и обучение с подкреплением. В обучении с учителем используются размеченные данные, где каждый пример имеет соответствующую метку. В обучении без учителя данные не размечены, и модель сама ищет скрытые закономерности в данных. В обучении с подкреплением алгоритм обучается взаимодействуя с окружающей средой и получая обратную связь в виде награды или штрафа.
Какие методы обучения нейронных сетей наиболее популярны?
Наиболее популярным методом обучения нейронных сетей является обучение с учителем, так как для него требуется разметка данных, что часто бывает доступно. Однако, в последние годы все большую популярность набирает обучение без учителя, которое позволяет модели самостоятельно находить скрытые закономерности в данных без необходимости разметки. Также обучение с подкреплением широко применяется в области робототехники и игровом программировании.
Какие есть применения нейронных сетей?
Нейронные сети применяются в различных областях, таких как компьютерное зрение, обработка естественного языка, рекомендательные системы, финансовая аналитика, медицина и другие. В компьютерном зрении нейронные сети используются для распознавания объектов на изображениях, в обработке естественного языка - для автоматического перевода и анализа текстов, в рекомендательных системах - для предсказания интересов пользователя и рекомендации соответствующих товаров или услуг.
Какие типы атак могут быть проведены с использованием интернет протоколов удаленных сетевых атак?
С использованием интернет протоколов удаленных сетевых атак могут быть проведены различные типы атак, такие как DDoS атаки, атаки на службу DNS, SYN флуд, атаки на уровень приложения и другие. DDoS атаки являются самыми распространенными и заключаются в том, что злоумышленники создают большой объем трафика на целевой сервер, что приводит к его перегрузке и недоступности. Атаки на службу DNS направлены на нарушение работы системы доменных имён, SYN флуд - на перегрузку сервера путем отправки большого количества SYN-пакетов, а атаки на уровень приложения - на получение несанкционированного доступа к приложению или укрепление его работы.
Какова история развития нейронных сетей?
Нейронные сети имеют долгую историю развития, начиная с появления первых искусственных нейронов в 1943 году исследователями Уорреном МакКаллоком и Уолтером Питтсом. Затем в 1958 году Фрэнк Розенблатт представил персептрон, первую форму нейронной сети с обратной связью. В 1980-х годах развитие нейронных сетей замедлилось из-за ограничений вычислительной мощности, но в 2000-х годах они снова стали активно развиваться благодаря улучшению аппаратных средств и появлению новых алгоритмов обучения.
Что такое искусственный нейрон и как он работает?
Искусственный нейрон - это базовый элемент нейронной сети, моделирующий работу биологического нервного клетки. Он получает набор входных сигналов, которые обрабатываются с помощью весов, и применяет функцию активации для вычисления выходного значения. Активация нейрона зависит от суммы взвешенных входов и порогового значения. Этот процесс повторяется для каждого нейрона в сети с целью получения результата на выходе.
Какие основные архитектуры нейронных сетей существуют?
Существуют различные типы архитектур нейронных сетей, включая однослойные персептроны, многослойные персептроны, рекуррентные нейронные сети, сверточные нейронные сети и глубокие нейронные сети. Каждая из них имеет свои характеристики и применяется для решения разных задач в областях распознавания образов, обработки естественного языка, компьютерного зрения и других.
Как происходит обучение нейронных сетей?
Обучение нейронных сетей происходит путем подачи на вход сети набора обучающих данных, состоящего из входных сигналов и соответствующих им выходных значений. Сеть настраивает свои веса и пороги в процессе обучения, чтобы минимизировать ошибку между предсказанными и ожидаемыми выходными значениями. Для этого используются различные алгоритмы обучения, такие как обратное распространение ошибки и метод градиентного спуска.
Какова история развития нейронных сетей?
История развития нейронных сетей начинается еще в 1943 году, когда мозг был впервые представлен в виде нейронной сети. В 1950-х годах были созданы первые модели искусственных нейронов, а в 1960-х годах появились первые нейронные сети. Однако, их развитие остановилось на несколько десятилетий из-за ограничений вычислительной мощности. В последние годы, благодаря развитию технологий, нейронные сети получили новый импульс и стали популярными для решения различных задач.
Какие методы обучения нейронных сетей существуют?
Существует несколько методов обучения нейронных сетей. Один из них - это обучение с учителем, когда сеть предоставляется пары входных данных и желаемого выхода, и она сама корректирует свои веса, чтобы минимизировать ошибку между предсказанным и желаемым результатом. Также есть метод обучения без учителя, где сеть сама находит закономерности в данных, без заранее предоставленной информации о желаемых результатах. Еще один метод - это обучение с подкреплением, где сеть учится на основе обратной связи и награды, получаемой за правильные решения в задаче.