ІДЕНТИФІКАЦІЯ СТАНУ КОМП’ЮТЕРНОЇ СИСТЕМИ НА ОСНОВІ АНСАМБЛЕВОГО МЕТОДУ КЛАСИФІКАЦІЇ

S. Gavrilenko; I. Sheverdin

doi:10.26906/SUNZ.2020.3.075

Автор(и)

S. Gavrilenko
I. Sheverdin

DOI:

https://doi.org/10.26906/SUNZ.2020.3.075

Ключові слова:

комп’ютерна система, події операційної системи, машинне навчання, аномальний стан, дерева рішень, ансамблеві методи класифікації, бустинг, беггінг

Анотація

Предметом статті є дослідження методів ідентифікації стану комп’ютерної системи. Метою статті є розробка методу ідентифікації аномального стану комп’ютерної системи на основі ансамблевих методів. Завдання. Дослідити та виділити події операційних системах сімейства Windows, розробити програмне забезпечення для виділення подій; дослідити використання ансамблевих класифікаторів на основі беггінгу та бустінгу та дерев рішень для ідентифікації стану комп’ютерної системи. Використовуваними методами є: методи машинного навчання та ансамблеві методи класифікації. Отримано такі результати: У якості вихідних даних виділено наступні класи подій операційних системах сімейства Windows: події міжпроцесної комунікації, події взаємодії з файловою системою, події інтернет-з’єднання, події взаємодії з реєстром. Досліджено методи ідентифікації аномального стану комп’ютерних систем на базі ансамблевих методів, а саме беггінгу, бустінгу та дерева рішень J48 для ідентифікації стану комп’ютерної системи. Виконано оцінку ефективності розроблених ансамблевих класифікаторів. За результатами досліджень для ідентифікації стану комп’ютерної системи запропоновано ансамблевий метод класифікації на основі беггінгу та дерева рішень J48. Висновки. Наукова новизна отриманих результатів полягає у виділенні процесів функціонування комп’ютерної системи та створенні ансамблевого методу для на основі беггінгу та дерева рішень J48, що надає можливість підвищити точність ідентифікації стану комп’ютерної системи

Завантаження

Дані завантаження ще не доступні.

Посилання

Алпайдин Э. Машинное обучение: новый искусственный интеллект /Э. Алпайдин – М.: Изд.гр. Точка, 2017. – 208 с.

Вьюгин В.В. Математические основы машинного обучения и прогнозирования. / В.В. Вьюгин // – Москва: МЦНМО, 2013. – 304 с.

Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных /П. Флах.//–Москва: ДМКПресс, 2015. – 400 с.

Марманис Х. Алгоритмы интеллектуального интернета. Передовые методики сбора, анализа и обработки данных. / Х.Марманис, Д.Бабенко .– Сб-П, М: Символ, 2011 . – 468 с.

Саттон Ричард С., Барто Эндрю Г. Обучение с подкреплением = Reinforcement Learning. – 2-е издание. – М.: ДМК пресс, 2020. – 552 с.

Кафтанников И. Л., Парасич А. В. Особенности применения деревьев решений в задачах классификации // Вестн. ЮУрГУ. Сер. «Компьютерные технологии, управление, радиоэлектроника». 2015, Т. 15. No 3. с. 26–32.

Cha Zhang. Ensemble Machine Learning. Methods and Applications / Cha Zhang, Yunqian Ma .— New York Dordrecht Heidelberg London: Springer, 2012 .– 329 p.

Тархов Д. А. Нейросетевые модели и алгоритмы / Д. А. Тархов.– Москва: Радиотехника, 2014. – 352 с.

Vipin Kumar. The Top Ten Algorithms in DataMining– Taylor & Francis Group, LLC, 2009 .– 2006 p.

Joseph Rocca, Baptiste Rocca. “Ensemble methods: bagging, boosting and stacking”. [Електронний ресурс]. – Режим доступу: https://towardsdatascience.com/ensemble-methods-bagging-boosting-and-stacking-c9214a10a205.

Kristína Machová, Miroslav Puszta, František Barčák, and Peter Bednár, , “ A Comparison of the Bagging and the Boosting Methods Using the Decision Trees Classifiers”, Computer Science and Information Systems, 3(2), 2006, рр.57-72, DOI: 10.2298/CSIS0602057M.

Гавриленко С.Ю. Розробка методу оцінки стану комп’ютера на базі аналізу системних подій / С.Ю. Гавриленко, І.В. Шевердін //Науковий вісник Івано-Франківського національного технічного університету нафти і газу – Івано-Франківськ, 2018, No1(40), сс.108-114

“WEKA. The workbench for machine learning”. [Електронний ресурс]. – Режим доступу: https://www.cs.waikato.ac.nz/ml/weka/.