НЕЧІТКИЙ АНСАМБЛЬ ДЕРЕВ РІШЕНЬ ДЛЯ ІДЕНТИФІКАЦІЇ СТАНУ КОМП’ЮТЕРНИХ СИСТЕМ
DOI:
https://doi.org/10.26906/SUNZ.2025.4.144Ключові слова:
ідентифікація стану, комп’ютерні системи, машинне навчання, ансамбль, стекінг, дерева рішень, нечітка логікаАнотація
Об'єктом дослідження є процес ідентифікації стану комп’ютерних систем. Предметом дослідження є методи нечіткого ансамблю дерев з багатовимірними вузлами рішень для ідентифікації стану комп’ютерних систем. Метою дослідження є розробка та оцінка ефективності нечіткого ансамблю дерев рішень для підвищення точності ідентифікації стану комп’ютерних систем за умов наявності невизначеності, шумових впливів та неповних даних. Методи, що використовуються: методи машинного навчання, методи попередньої обробки даних, ансамблеві класифікатори, стекінгові підходи, методи комбінування та вибору ознак КС. Отримані результати: досліджено ефективність класичних та розроблених методів для ідентифікації стану комп’ютерних систем у складних умовах, що включають дисбаланс даних та наявність аномальних станів. Запропоновано комплексний підхід із використанням Fuzzy Stacking з MDT, що забезпечує високу точність і стабільність класифікації. Найкращі результати отримано саме для стекінгового підходу, який поєднує базові класифікатори та нечіткі дерева рішень, дозволяючи мінімізувати помилки першого та другого роду та досягти високих показників узагальнюючої здатності (MCC, F1-score, TS, LN(DOR)). Висновки. За результатами дослідження запропоновано удосконалений підхід до ідентифікації стану комп’ютерних систем, який поєднує стекінговий метод із Fuzzy MDT та оптимізацію вибору ознак. Комплексне використання цих методів дозволяє значно покращити точність класифікації, стабільність результатів та стійкість моделей до дисбалансу даних, а також забезпечує високу якість класифікації навіть у випадках появи нових аномальних станів.Завантаження
Посилання
1. K. Shanthi and R. Maruthi, "A Comparative Study of Intrusion Detection and Prevention Systems for Cloud Environment," 2023 4th International Conference on Electronics and Sustainable Communication Systems (ICESC), Coimbatore, India, 2023, pp. 493-496, doi: https://doi.org/10.1109/ICESC57686.2023.10193694
2. Z. Chiba, N. Abghour, K. Moussaid, O. Lifandali and R. Kinta, "Review of Recent Intrusion Detection Systems and Intrusion Prevention Systems in IoT Networks," 2022 International Conference on Software, Telecommunications and Computer Networks (SoftCOM), Split, Croatia, 2022, pp. 1-6, doi: https://doi.org/10.23919/SoftCOM55329.2022.9911401
3. W. Villegas-Ch, J. Govea, R. Gutierrez, A. Maldonado Navarro and A. Mera-Navarrete, "Effectiveness of an Adaptive Deep Learning-Based Intrusion Detection System," in IEEE Access, vol. 12, pp. 184010-184027, 2024, doi: https://doi.org/10.1109/ACCESS.2024.3512363
4. R. Latha and S. J. J. Thangaraj, “Securing the Digital Perimeter: A Comprehensive Intrusion Detection System with Ensemble Learning”, 2023 International Conference on Data Science, Agents & Artificial Intelligence (ICDSAAI), Chennai, India, 2023, pp. 1-5, doi: https://doi.org/10.1109/ICDSAAI59313.2023.10452636
5. О. Горносталь, В. Челак, Класифікація мережевих атак методами машинного навчання в умовах дисбалансу тренувальних даних / Системи управління, навігації та зв’язку, Полтава, 2025, Том 3 (81), С. 64-71, doi: https://doi.org/10.26906/SUNZ.2025.3.064
6. V. Chelak, S. Gavrylenko Method of Computer System State Identification based on Boosting Ensemble with Special Preprocessing Procedure / Advanced Information Systems, Kharkiv, 2022, Vol. 6 No. 1, P. 12-18, 2022, doi: https://doi.org/10.20998/2522-9052.2022.1.02
7. О.Hornostal , S. Gavrylenko. Development of a method for identification of the state of computer systems based on bagging classifiers. Advanced Information Systems. Kharkiv, 2021, vol. 5, no. 4, pp. 5–9, doi: https://doi.org/10.20998/2522-9052.2021.4.01
8. D. Wang, S. Ji, H. Shi and J. Liu, "Power Encoding Transmission Intrusion Detection Method Based on Convolutional Autoencoders-XGBoost," 2025 2nd International Symposium on New Energy Technologies and Power Systems (NETPS), Hangzhou, China, 2025, pp. 470-474, doi: https://doi.org/10.1109/NETPS65392.2025.11102095
9. Гавриленко С. Ю., Челак В. В. Розробка методу ідентифікації стану комп'ютерної системи на основі нечітких дерев рішень / Системи управління, навігації та зв’язку, Полтава, 2023, Випуск 1 (71), С. 78-83, doi: https://doi.org/100.26906/SUNZ.2023.1.078
10. Q. -V. Dang, "Studying the Fuzzy clustering algorithm for intrusion detection on the attacks to the Domain Name System," 2021 Fifth World Conference on Smart Trends in Systems Security and Sustainability (WorldS4), London, United Kingdom, 2021, pp. 271-274, doi: https://doi.org/10.1109/WorldS451998.2021.9514038
11. Das, Abhishek, et al. "Design of deep ensemble classifier with fuzzy decision method for biomedical image classification." Applied Soft Computing, vol. 115, 2022, p. 108178. ScienceDirect, doi: https://doi.org/10.1016/j.asoc.2021.108178
12. Chatterjee, S., Das, A. An ensemble algorithm integrating consensus-clustering with feature weighting based ranking and probabilistic fuzzy logic-multilayer perceptron classifier for diagnosis and staging of breast cancer using heterogeneous datasets. Appl Intell 53, 13882–13923 (2023), doi: https://doi.org/10.1007/s10489-022-04157-0
13. Shaikh, T.A., Rasool, T., Verma, P. et al. A fundamental overview of ensemble deep learning models and applications: systematic literature and state of the art. Ann Oper Res (2024), doi: https://doi.org/10.1007/s10479-024-06444-0
14. S. Y. Gavrylenko, V. V. Chelak, 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), Zaporizhzhia, No. 2 (2022), P. 113-122, doi: https://doi.org/10.15588/1607-3274-2022-2-11
Downloads
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Viktor Chelak, Oleksii Hornostal

Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.