РОЗРОБКА МЕТОДУ ІДЕНТИФІКАЦІЇ СТАНУ КОМП'ЮТЕРНОЇ СИСТЕМИ НА ОСНОВІ НЕЧІТКИХ ДЕРЕВ РІШЕНЬ
Ключові слова:
комп'ютерна система, ідентифікація стану, обробка даних, машинне навчання, нечітка логіка, нечіткі дерева прийняття рішень
Анотація
Предметом дослідження є методи та засоби ідентифікації стану комп'ютерної системи. Метою статті є підвищення якості класифікації даних за рахунок розробки методу ідентифікації стану комп’ютерної системи. Завдання: дослідити методи ідентифікації стану комп’ютерної системи та розробити метод класифікації стану комп'ютерної системи з метою захисту даних. Використовуваними методами є: методи штучного інтелекту, машинного навчання. Отримано такі результати: досліджено методи ідентифікації стану комп’ютерної системи KNN (k-nearest neighbors), метод опорних векторів (SVM), нейронні мережі, дерева рішень. Запропоновано метод ідентифікації стану комп’ютерної системи на основі нечітких дерев рішень, який відрізняється від відомих методів побудови наявністю спеціальної процедури фазифікації атрибутів вихідних даних та побудови функції приналежності. Розроблено програмне забезпечення, в якому реалізовано та досліджено запропонований метод вирішення задачі ідентифікації стану комп'ютерної системи. Висновки. Наукова новизна отриманих результатів полягає у дослідженні методів ідентифікації стану комп'ютерної системи, розробці методу на основі нечітких дерев рішень, оцінці якості моделі на етапі навчання та тестування, виконання порівняльного аналізу.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. О. Вдовенко. 25 мільйонів кібератак щомісяця. Як Росія намагається зашкодити Україні в цифровому просторі. URL: https://detector.media/infospace/article/204308/2022-10-29-25-milyoniv-kiberatak-shchomisyatsya-yak-rosiya-namagaietsyazashkodyty-ukraini-v-tsyfrovomu-prostori/.
2. S. Y. Gavrylenko & I. V. Sheverdin, “Development Of Method To Identify The Computer System State Based On The «Isolation Forest» Algorithm”. Radio Electronics, Computer Science, Control, 2021(1), pp. 105–116, doi:10.15588/1607-3274-2021-1-11
3. S.Y. Gavrylenko, V.V. Chelak and S.G. Semenov Development of Method for Identification the Computer System State based on the Decision Tree with Multi-Dimensional Nodes, Radio Electronics, Computer Science, Control (RECSC).– No. 2 (2022).– 2022.– pp.113-121, doi: 10.15588/1607-3274-2022-2-11.
4. Leon Reznik, "Computer Security with Artificial Intelligence, Machine Learning, and Data Science Combination," in Intelligent Security Systems: How Artificial Intelligence, Machine Learning and Data Science Work For and Against Computer Security , IEEE, 2022, pp.1-56, doi: 10.1002/9781119771579.ch1.
5. Amarudin, R. Ferdiana and Widyawan, "A Systematic Literature Review of Intrusion Detection System for Network Security: Research Trends, Datasets and Methods," 2020 4th International Conference on Informatics and Computational Sciences (ICICoS), 2020, pp. 1-6, doi: 10.1109/ICICoS51170.2020.9299068.
6. J. J. Davis and A. J. Clark, "Data preprocessing for anomaly based network intrusion detection: A review", Computers & security, 2011, vol. 30, no. 6-7, pp. 353-375, doi:10.1016/j.cose.2011.05.008.
7. J. Tai, I. Alsmadi, Y. Zhang and F. Qiao, "Machine Learning Methods for Anomaly Detection in Industrial Control Systems," 2020 IEEE International Conference on Big Data (Big Data), 2020, pp. 2333-2339, doi: 10.1109/BigData50022.2020.9378018.
8. S. Sun and R. Huang, "An adaptive k-nearest neighbor algorithm," 2010 Seventh International Conference on Fuzzy Systems and Knowledge Discovery, 2010, pp. 91-94, doi: 10.1109/FSKD.2010.5569740.
9. S. Malhotra, V. Bali and K. K. Paliwal, "Genetic programming and K-nearest neighbour classifier based intrusion detection model," 2017 7th International Conference on Cloud Computing, Data Science & Engineering - Confluence, 2017, pp. 42-46, doi: 10.1109/CONFLUENCE.2017.7943121
10. P. Gattineni and G. R. S. Dharan, "Intrusion Detection Mechanisms: SVM, random forest, and extreme learning machine (ELM)," 2021 Third International Conference on Inventive Research in Computing Applications (ICIRCA), 2021, pp. 273-276, doi: 10.1109/ICIRCA51532.2021.9544551.
11. L. Lin, R. Zuo, S. Yang and Z. Zhang, "SVM ensemble for anomaly detection based on rotation forest," 2012 Third International Conference on Intelligent Control and Information Processing, 2012, pp. 150-153, doi: 10.1109/ICICIP.2012.6391455.
12. M. I. Sayed, I. M. Sayem, S. Saha and A. Haque, "A Multi-Classifier for DDoS Attacks Using Stacking Ensemble Deep Neural Network," 2022 International Wireless Communications and Mobile Computing (IWCMC), 2022, pp. 1125-1130, doi: 10.1109/IWCMC55113.2022.9824189.
13. S. Gavrylenko, V. Chelak and O. Hornostal, "Research of Intelligent Data Analysis Methods for Identification of Computer System State," 2020 XXX International Scientific Symposium 'Metrology and Metrology Assurance (MMA), Sozopol, Bulgaria, 2020, pp. 1-5, doi: 10.1109/MMA49863.2020.9254252.
14. N. Kumar, H. Akash, R. A. Prataap, G. Srinath and C. Mala, "Intelligent Intrusion Detection System using Decision Tree Classifier and Bootstrap Aggregation," 2018 8th International Symposium on Embedded Computing and System Design (ISED), 2018, pp. 199-203, doi: 10.1109/ISED.2018.8704056.
15. J. Ye et al., "A Chi-MIC Based Adaptive Multi-Branch Decision Tree," in IEEE Access, vol. 9, pp. 78962-78972, 2021, doi: 10.1109/ACCESS.2021.3077125.
16. F. Q. Li, S. -L. Wang, A. W. -C. Liew, W. Ding and G. -S. Liu, "Large-Scale Malicious Software Classification With Fuzzified Features and Boosted Fuzzy Random Forest," in IEEE Transactions on Fuzzy Systems, vol. 29, no. 11, pp. 3205-3218, Nov.2021, doi: 10.1109/TFUZZ.2020.3016023.
17. S. Semenov, O. Sira , S. Gavrylenko, N. Kuchuk. Identification of the state of an object under conditions of fuzzy input data, EasternEuropean Journal of Enterprise Technologies, 2019, Vol 1, No 4 (97), pp.22-29, doi: 10.15587/1729-4061.2019.157085
18. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений, М.: Мир, 1976, 166 с.
19. Sumalatha and P. U. Sankar, "Fuzzy random decision tree (FRDT) framework for privacy preserving data mining," 2016 SAI Computing Conference (SAI), 2016, pp. 195-202, doi: 10.1109/SAI.2016.7555982.
20. and O. Hornostal, "Construction Method Of Fuzzy Decision Trees For Identification The Computer System State," 2022 XXXII International Scientific Symposium Metrology and Metrology Assurance (MMA), Sozopol, Bulgaria, 2022, pp. 1-5, doi:10.1109/MMA55579.2022.9992878
2. S. Y. Gavrylenko & I. V. Sheverdin, “Development Of Method To Identify The Computer System State Based On The «Isolation Forest» Algorithm”. Radio Electronics, Computer Science, Control, 2021(1), pp. 105–116, doi:10.15588/1607-3274-2021-1-11
3. S.Y. Gavrylenko, V.V. Chelak and S.G. Semenov Development of Method for Identification the Computer System State based on the Decision Tree with Multi-Dimensional Nodes, Radio Electronics, Computer Science, Control (RECSC).– No. 2 (2022).– 2022.– pp.113-121, doi: 10.15588/1607-3274-2022-2-11.
4. Leon Reznik, "Computer Security with Artificial Intelligence, Machine Learning, and Data Science Combination," in Intelligent Security Systems: How Artificial Intelligence, Machine Learning and Data Science Work For and Against Computer Security , IEEE, 2022, pp.1-56, doi: 10.1002/9781119771579.ch1.
5. Amarudin, R. Ferdiana and Widyawan, "A Systematic Literature Review of Intrusion Detection System for Network Security: Research Trends, Datasets and Methods," 2020 4th International Conference on Informatics and Computational Sciences (ICICoS), 2020, pp. 1-6, doi: 10.1109/ICICoS51170.2020.9299068.
6. J. J. Davis and A. J. Clark, "Data preprocessing for anomaly based network intrusion detection: A review", Computers & security, 2011, vol. 30, no. 6-7, pp. 353-375, doi:10.1016/j.cose.2011.05.008.
7. J. Tai, I. Alsmadi, Y. Zhang and F. Qiao, "Machine Learning Methods for Anomaly Detection in Industrial Control Systems," 2020 IEEE International Conference on Big Data (Big Data), 2020, pp. 2333-2339, doi: 10.1109/BigData50022.2020.9378018.
8. S. Sun and R. Huang, "An adaptive k-nearest neighbor algorithm," 2010 Seventh International Conference on Fuzzy Systems and Knowledge Discovery, 2010, pp. 91-94, doi: 10.1109/FSKD.2010.5569740.
9. S. Malhotra, V. Bali and K. K. Paliwal, "Genetic programming and K-nearest neighbour classifier based intrusion detection model," 2017 7th International Conference on Cloud Computing, Data Science & Engineering - Confluence, 2017, pp. 42-46, doi: 10.1109/CONFLUENCE.2017.7943121
10. P. Gattineni and G. R. S. Dharan, "Intrusion Detection Mechanisms: SVM, random forest, and extreme learning machine (ELM)," 2021 Third International Conference on Inventive Research in Computing Applications (ICIRCA), 2021, pp. 273-276, doi: 10.1109/ICIRCA51532.2021.9544551.
11. L. Lin, R. Zuo, S. Yang and Z. Zhang, "SVM ensemble for anomaly detection based on rotation forest," 2012 Third International Conference on Intelligent Control and Information Processing, 2012, pp. 150-153, doi: 10.1109/ICICIP.2012.6391455.
12. M. I. Sayed, I. M. Sayem, S. Saha and A. Haque, "A Multi-Classifier for DDoS Attacks Using Stacking Ensemble Deep Neural Network," 2022 International Wireless Communications and Mobile Computing (IWCMC), 2022, pp. 1125-1130, doi: 10.1109/IWCMC55113.2022.9824189.
13. S. Gavrylenko, V. Chelak and O. Hornostal, "Research of Intelligent Data Analysis Methods for Identification of Computer System State," 2020 XXX International Scientific Symposium 'Metrology and Metrology Assurance (MMA), Sozopol, Bulgaria, 2020, pp. 1-5, doi: 10.1109/MMA49863.2020.9254252.
14. N. Kumar, H. Akash, R. A. Prataap, G. Srinath and C. Mala, "Intelligent Intrusion Detection System using Decision Tree Classifier and Bootstrap Aggregation," 2018 8th International Symposium on Embedded Computing and System Design (ISED), 2018, pp. 199-203, doi: 10.1109/ISED.2018.8704056.
15. J. Ye et al., "A Chi-MIC Based Adaptive Multi-Branch Decision Tree," in IEEE Access, vol. 9, pp. 78962-78972, 2021, doi: 10.1109/ACCESS.2021.3077125.
16. F. Q. Li, S. -L. Wang, A. W. -C. Liew, W. Ding and G. -S. Liu, "Large-Scale Malicious Software Classification With Fuzzified Features and Boosted Fuzzy Random Forest," in IEEE Transactions on Fuzzy Systems, vol. 29, no. 11, pp. 3205-3218, Nov.2021, doi: 10.1109/TFUZZ.2020.3016023.
17. S. Semenov, O. Sira , S. Gavrylenko, N. Kuchuk. Identification of the state of an object under conditions of fuzzy input data, EasternEuropean Journal of Enterprise Technologies, 2019, Vol 1, No 4 (97), pp.22-29, doi: 10.15587/1729-4061.2019.157085
18. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений, М.: Мир, 1976, 166 с.
19. Sumalatha and P. U. Sankar, "Fuzzy random decision tree (FRDT) framework for privacy preserving data mining," 2016 SAI Computing Conference (SAI), 2016, pp. 195-202, doi: 10.1109/SAI.2016.7555982.
20. and O. Hornostal, "Construction Method Of Fuzzy Decision Trees For Identification The Computer System State," 2022 XXXII International Scientific Symposium Metrology and Metrology Assurance (MMA), Sozopol, Bulgaria, 2022, pp. 1-5, doi:10.1109/MMA55579.2022.9992878
Опубліковано
2023-03-17
Як цитувати
Gavrylenko S. Розробка методу ідентифікації стану комп’ютерної системи на основі нечітких дерев рішень / S. Gavrylenko, V. Chelak // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2023. – Т. 1 (71). – С. 78-83. – doi:https://doi.org/10.26906/SUNZ.2023.1.078.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
