1-bob. "Xizmat ko'rsatishni rad etish" turidagi tarmoq taqsimlangan hujumlari ta'siridagi kompyuter tarmog’i qabul qilish tugunining konseptual modeli

Gradientni kuchaytirish algoritmi

Barcha holatlarda, yuqorida tavsiflangan yoki birinchi bobda tavsiflangan algoritmlar bo'ladimi, biz zaif yoki kuchli algoritmlar muammosiga duch kelamiz. Mutlaq chegaraga erishilganda, mashina algoritmlarining ishlashi

o'rganish to'xtaydi. Shu bilan birga, [130] mualliflari u yoki bu mashinali o’qitish algoritmini bashorat qilish sifatini tanib olish algoritmlari tarkibining ko'payishi hisobiga yaxshilash mumkinligini empirik tarzda isbotladilar. Ushbu yechim bilan bog'liq muammo algoritmning o'zi murakkabligining oshishi edi [131].
Mashinali o’qitish algoritmlarini zaif va kuchlilarga bo'lish bo'yicha tadqiqotlar tez orada har qanday zaif algoritmni faqat to'g'ri kompozitsiyani yaratish orqali kuchaytirish mumkin degan xulosaga keldi. Ya'ni, ushbu algoritmning samaradorligi va soddaligi aniq afzalliklarga ega bo'ldi. 2001 yilda [132] da algoritm umumlashtirildi va gradientni kuchaytirish deb nomlandi.
Tarmoqni tasniflash muammosiGradientni kuchaytirishga asoslangan trafik quyidagicha tuzilgan:

• 
  kirish ma'lumotlari quyidagilar bo'ladi: o'quv to'plami {𝑥1, … , 𝑥_𝑛^}, har bir obyektning haqiqiy teg qiymatlari {𝑦_bitta,, … , 𝑦_𝑚}, takrorlashlar soni 𝑀;
  
• 
  yo'qotish funksiyasini tanlash 𝐿(𝑦, 𝑓);
  
• 
  asosiy algoritmni tanlash ℎ(𝑥, 𝜃);
  
• 
  giperparametrlarni tanlash.
  

Gradientni kuchaytirish algoritmidan foydalanib, 𝑦 = 𝑓(𝑥) bogʻliqligini 𝑓̂(𝑥) ga yaqinlashtirish orqali tiklash kerak, minimallashtirish uchun L(𝑦, 𝑓(𝑥)) yoʻqotish funksiyasidan foydalanamiz:
𝑓̂(𝑥) = 𝑎𝑟𝑔 min ➪𝑥,𝑦[𝐿(𝑦, 𝑓(𝑥))], (2.10)
𝑓(𝑥)
bu holda, umumiy xato funksiyasi har bir ta'lim misolidagi xatolar yig'indisi bo'ladi:

𝑖=1
𝐸(𝜃) = ∑𝑇 𝐸𝑖(𝑓(𝑥, 𝜃), 𝑦),(2.11)
bu yerda 𝜃 - funksiya qidirish parametrining cheklanishi.
Qaror daraxtlari ustidan gradient oshirish algoritmi birlashtiradi

𝑡=1
bir nechta regressiya daraxtlari ∑𝑇
𝑓_𝑡(𝑥)
finalga yaqinlashish uchun

modellar

𝑡=1
𝑓𝑇 (𝑥) = ^∑𝑇
Regressiya daraxtlari quyidagicha ifodalanishi mumkin
𝑓_𝑡(𝑥)
(2.12)

𝑤𝑞(𝑥), 𝑞 ∈ {1, 2, … , 𝐽},(2.13) bu yerda 𝐽 - barglar soni, 𝑞 - qaror daraxti qaror qoidalari va
𝑤 - namunaning og'irligini bildiruvchi vektor.
Shunday qilib, qaror daraxtlarida gradientni oshirish qo'shimcha shaklda 𝑡 bosqichida quyidagi tarzda o'rganiladi:

𝑖=1
D_𝑡 = ∑𝑛 𝐿(𝑦_𝑖, 𝐹_𝑡−1⁽𝑥_𝑖⁾ + 𝑓_𝑡(𝑥_𝑖)). (2.14)
𝐼𝑗 barg toʻplami boʻlsin 𝑗:

D = ∑𝑗
((^∑ 𝑔 ) 𝜔 + 1 (^∑ ℎ

+ 𝜆)𝜔2),(2.15)

^𝑡 𝑗=1
𝑖∈𝐼_𝑗 𝑖𝑗 ₂
^𝑖∈𝐼_𝑗 ^𝑖 𝑗

bu yerda 𝑔𝑖 va ℎ𝑖 birinchi va ikkinchi tartibli yo'qotish funksiyalari.
Gradientni kuchaytirishning maqsad funksiyasi:

2
_bitta (^∑ 𝑔 )

2
(^∑ 𝑔 )

^(∑ 𝑔 )²

G=( ^{𝑖∈𝐼𝐿𝑖} +^{𝑖∈𝐼𝑅𝑖} −^{𝑖∈𝐼𝑖}), (2.16)

2 ^∑_{𝑖∈𝐼𝐿}ℎ_𝑖+𝜆
^∑𝑖∈𝐼𝑅^ℎ𝑖^+𝜆
∑𝑖∈𝐼^ℎ𝑖^+𝜆

bu yerda 𝐼𝐿 va 𝐼𝑅 - daraxtning chap va o'ng shoxlarining ma'lumotlar to'plami [133].
Gradientni kuchaytirish algoritmining aniq afzalliklari algoritmning yuqori o'zgaruvchanligi, yo'qotish funksiyasini mustaqil tanlash qobiliyati, gradientni kuchaytirish modelini o'rgatish uchun asosiy algoritmni tanlash qobiliyatidir.
Ushbu algoritmning kamchiliklari murakkablikdir, ayniqsa kompozitsiyalar uchun ko'plab algoritmlarni qurish kerak bo'lsa. Shu bilan birga, gradientni oshirish jarayonini tezlashtirish uchun turli xil optimallashtirish algoritmlaridan foydalanish mumkin.
Shunday qilib, DDoS hujumlarini aniqlash uchun gradientni kuchaytirish algoritmidan foydalanish tavsiya etiladi. Biroq, algoritmni tanlashning haqiqiyligi uchun barcha taqdim etilgan boshqariladigan mashinali o’qitish algoritmlari asosida turli xil modellarni qurish kerak.

4.