Илмий педагогик иш бўйича Ҳисоботи

Трансформатсия: б ансамбл стратегияларини муҳокама қилишда қатъий ўлчамдаги маълумотлар талаб қилинади. Биз буни келажакдаги тармоқ муҳитимиз сифатида бошқасига қолдирамиз. таснифлаш учун нейрон тармоқдан фойдаланиш. Узунликни ишлаш учун. Транспорт қатламининг сарлавҳаси ва фойдали юки Ушбу ишда биз бир ўлчовли конволютсион нейрон пакетлардан фойдаланамиз, биз уларни собит Тармоқлар (ИД-CННС) га нол билан тўлдирамиз ёки тўлдирамиз [16) (яъни бир турдаги ДНН) узунликни чиқариш учун.
Шуни таъкидламоқчимиз гарчи биз тармоқ оқимларининг яхши ички тасвирини чеклаб, уни пакетлар узунлиги сифатида таъминласак ҳам (яъни, оқимдаги Д тенгламада д: биз тўлиқ боғланган ёки зич қатламни ҳисоблаймиз. Биз софтмахдан фойдаланамиз, узунлигини чекламаймиз. бошқа таклиф қилинган ёндашувлардан фарқли ўлароқ (масалан, Т ни ҳисоблаш учун тармоқимизнинг якуний қатлами сифатида оқимнинг (яъни, рақамли пакетлар қатлами) мақсадли синфлар учун эҳтимоллик тақсимоти. CННС тегишли хусусиятларни ажратиб олиш учун ишлатилади. Расмлар ва кетма-кетликлар каби тармоқ шаклидаги кириш маълумотлари Улар маълумотлардаги фазовий ва вақтинчалик боғлиқликни ўрганиш орқали моделлаштиришга қодир. оғирликлар ҳужумни ўргатиш мумкин бўлган параметрлар бўлиши учун этарли вақтга эга бўлган ҳужумни башорат қилишдир). Кириш маълумотларидан маълум бир хусусиятга кўпроқ зарар етказишидан олдин иложи борича тезроқ чиқариб олинг. Шундай қилиб, вақт тугаши билан билвосита чегараланган чиқиш. Р Ҳужум остидаги тизимга эрта оқим таснифи. Шунинг учун конволютсия қатламини минималлаштириш учун хусусият харитаси дейилади. Башорат қилиш вақтида, биз эрта оқим таснифлагичи сифатида нисбатан энгил ДНН дан фойдаланамиз, чунки ўлчам сифатида (яъни, ўлчовлар сони ҳодисалар кетма-кетлигини белгилайди (яъни, пакетлар ИД-CННС учун кириш маълумотлари икки ўлчовга эга. Биринчиси) 11:15 О Н 1 лл 78% 4Г - КБ/с 34 хил узунликдаги таҳрир. Ўқув маълумотлар тармоғи оқимини кенгайтириш жараёни); Ҳолбуки, иккинчи ўлчов ҳодисанинг индивидуал хусусиятларига (яъни, пакет байтлари) боғлиқдир. Мавжуд маълумотлардан кўпроқ маълумот (масалан, тармоқ оқимлари) ишлаб чиқариш орқали биз конволютсион лавердаги ҳар бир нейрон учун чизиқли бўлмаган хтиватсия функтсияси сифатида Реcтифиед Линеер Унит (РеЛУ) дан фойдаландик.
Одатда, ҳар бир конволютсион қатламдан кейин оқимнинг бирлаштирувчи пакети келади; кейинчалик, конволютсион қатлам томонидан қайтарилган кўпроқ пакетларни йиғиштириб қўшиш орқали оқимга асосланган чиқишнинг таржима ўзгармаслигига эришиш учун кўпроқ сегментлар қатламини яратамиз.
Бу қатлам олдиндан белгиланган сегментлаш тезлиги с, Э (0,1) га нисбатан ҳар бир қатъий ўлчамли қисмни такрорлаш орқали маҳсулотнинг вақтинчалик ўлчамини камайтиради. 0<р < 1. Сегментатсия тезлиги с, гиперпараметрдир, яъни қўшни элементларнинг умумий статистикаси (масалан, максимал ёки ўртача) билан. CННС тўлиқ уланган тармоқлар каби сунъий нейрон тармоқларнинг бошқа турларига қараганда камроқ ўргатиладиган параметрларга эга. Шунинг учун, ҳар бир оқим учун ҳосил қилинган, масалан, ҳар бир оқим учун кўпроқ сегментлар, с қийматининг кичрайиши билан тўлиқ ҳосил қилинганидан кўра, ўқув маълумотларига тўлиқ мослашиш эҳтимоли камроқ бўлади. Фараз қилайлик, бизда маълумотлар мавжуд бўлса, маълумотларни кўпайтириш дейилади. Биз берилган оқимнинг энг қисқа сегментини яратишдан бошлаймиз, унда фақат биринчи бўлиб с сегмент ҳажмини ҳисоблаш учун фойдаланилади;
берилган оқим учун, бу эрда Т - оқимнинг узунлиги (яъни пакетларнинг умумий сони).
Ушбу параметр қиймати оқим Ф = (П, П,., Пр} сегментлари сонини, сўнгра умумлаштириш сегментлари тўпламини назорат қилади. Бир нечта конволютсия ва бирлаштириш оперatsiяларидан сўнг, берилган бу оқим қуйидагича бўлади: уланган тармоқлар натижасида яхшироқ ўзгарувчан узунликдаги тармоқ оқими хусусият хариталарининг узунлик сериялари билан ифодаланади. Лавер 191 серияни қатъий узунликдаги векторга айлантириш учун, сўнгра тўлиқ богʻланган паст қатламларга кириш сифатида тақдим этилади. Масалан, турли ўзгарувчига эга учта оқимни кўриб чиқинг. - глобал бирлашма

Барча сегментлар бир хил й ёрлиғига эга бўлган а дан фойдаланамиз; хусусият векторини олиш учун асл нусха сифатида. Ниҳоят, эҳтимоллик тақсимоти узунлигини олиш учун хусусият векторига софтмах қатламини қўллаймиз: Ф6+ Ф15 - ва Ф. Биз ҳар бир синф учун сегментатсия тезлигини с- ўрнатамиз. Эҳтимоллар тақсимотига асосланиб, биз якуний башорат қиламиз. Э(1) (2) дан 0,25 гача. Ф, Ф ва Ф учун сегмент ўлчамлари с мос равишда 2. 4 ва 18. га тенг.

Жадвалда маълумотларни кўпайтириш жараёни томонидан яратилган оқимларнинг сегментлари келтирилган. Биз классификаторни ҳужумни эрта аниқлаш учун ишлатишдан олдин уни офлайн режимда ўргатамиз. Мақсад хом тармоқ оқимларининг фазовий-вақтинчалик хусусиятларини автоматик равишда ўрганиш ва бу ўрганилган хусусиятлардан ҳужум оқимларини имкон қадар эрта ишончли аниқлаш учун фойдаланиш, яъни фақат кичик бир қисмини (масалан, дастлабки 2 ёки 3 пакет) кузатгандан сўнг. берилган оқим. Биз назорат остидаги машғулотлар учун ёрлиқли оқим маълумотлар тўпламини талаб қиламиз, унда оддий ва ҳужум оқимлари мавжуд. Белгиланган оқим сегментларига қўшимча равишда сегментлаштириш ТЕЗГАҲИГА билан с = 0,25 Но. Оқимлари Сегментлар Ф = (П, П., П} П1. П, А {П, , П, Па} Ф = (ПП., Пис) П. , П12} ПП Пс Ф = {П, Па., Про) Пр.. ) П. Па оқимлари, маълумотлар тўпламида оқимларга мос келадиган тармоқ пакетлари ҳам бўлиши керак. ИДССни ўқитиш ва баҳолаш учун фойдаланиладиган оммавий фойдаланиш мумкин бўлган дҳтсетсларнинг аксарияти дасс мувозанати муаммосига эга яъни, таълим маълумотлар тўпламига мисоллар сони. Маълумотлар тўплами маълумотлар тўпламига ўхшаш бўлмаган турли синфларни қўшиш орқали кенгайтирилади. Маълумотни кўпайтириш фақат яратилган оқим сегментларидаги оқимларга қўлланилади. Биз Ҳ: Ф + Йи хариталаш функтсиясини ўрганиш учун дастлабки классификаторимизни ўргатамиз. Бошқача қилиб айтганда, классификатор номутаносиб маълумотлар тўпламида ўқитилган синф ёрлиғи дассификаторини башорат қилиш имкониятига эга бўлиши керак, одатда умумий башорат аниқлиги нуқтаи назаридан ёмон ишлашни намойиш этади. Шунинг учун, бу ишда, фақат биринчи т пакетлари билан берилган Ф" оқимининг синфи таъсирини тузатиш учун. Бизда номутаносиблик бор, биз классификаторни намунавий оғирлик билан ўргатамиз, тоифали ўзаро энтропияни ёъқотиш функтсиясидан фойдаланамиз ва Адам бу бизнинг классификаторимизни ўргатиш учун ҳар бир оптималлаштирувчи учун ҳисобланган йўқотиш қиймати учун коеффитсиент вазифасини бажаради. ўқув жараёнида намуна (яъни, оқим). Ача намунанинг огʻирлиги унинг синфига асосланади. У синф частоталарига тескари пропортсионал ҳисобланади.
Мақсад классификатор кам вакил қилинган синфга тегишли бўлган намуналарга кўпроқ эътибор қаратиши керак. Биз ўқув маълумотлар тўпламини биз хоҳлаган ҳужумлар турига тегишли бўлган ҳар бир пакет пакетларини қайта ишлаш орқали тайёрлаймиз. ИИ-А3-бўлимда тасвирланган протседура ёрдамида оқимлар Биз оқим маълумотлар тўпламини 1<ж <Н учун Д = {(Фъ,,)} деб белгилаймиз. бу эрда Н оқимларнинг умумий сонини Фр ва уларнинг тегишли белгиларини ифодалайди й. Бизнинг мақсади - машқ қилиш маълум бир оқимнинг дастлабки бир нечта пакетларини кузатганимиздан сўнг, ҳужум оқимини ишончли аниқлашга қодир бўлган дассификатор, биз Д да оқимнинг қисқа сегментларини йиғиштириб яратиш орқали маълумотлар тўпламини кенгайтирамиз. Мониторинг юқори тезликдаги тармоқларни реал вақт режимида кузатиш қийин. юқори пакет тезлиги туфайли вазифа. Бу асосий сабабдир, бизнинг ёндашувимизда биз фақат аниқланган тармоқни ушлаймиз ва қайта ишлаймиз.
Пакет сниффер модули реал вақт режимида тармоқ трафигини кузатиш учун жавобгардир. У 0-расмда кўрсатилганидек, кирувчи ва чиқувчи тармоқ пакетларини ушлайди ва оқимни қайта ишлаш қувурига йўналтиради.
Тармоқ интерфейслари орқали ўтувчи пакетларни ушлаш оқимларининг дастлабки таснифи. Баҳолаш. Ва ниҳоят, биз ҳар бир кутубхона бўйича натижаларни муҳокама қиламиз, шунингдек, тадқиқот саволини олиш учун созланиши мумкин бўлган филтрларни қўллаб-қувватлайди. фақат маълум пакетлар, масалан, мақсадли порти 80 бўлган пакетлар, Одатда оперaцион тизим ядроси томонидан қўллаб-қувватланадиган ушбу филтрлар пакетларни филтрлаш жараёнини қўшимча харажатларни камайтириш орқали иш фаолиятини яхшилайди.
Биз фаол оқимлар рўйхатини ва ҳужум оқимларининг башорат турларини (масалан, Ҳеарблеед. Ботнет, Wеb) ўзимизнинг дастлабки оқим таснифлагичимиз томонидан амалга оширилган оқимларга мос келадиган тарзда сақлаймиз. оқимларга мос келадиган тармоқ пакетлари билан, Биз фойдаланамиз. Тармоқ оқими ҳар сафар янги пакет билан янгиланганда, биз прогноз (яъни, эҳтимоллик) олиш учун пайшанба, июл куни олинган маълумотлар тўпламининг маълум бир қисмидан оқим классификаторидан фойдаланамиз. 6, 2017 ва 2-расмда кўрсатилганидек, чиқиш синфлари учун қуйидаги тақсимот билан боғлиқ тармоқ оқимларини ўз ичига олади Веб-ҳужумлар: (1) СҚЛ Инжеcтион: тажовузкор сатрни таъминлайди, бу оқимнинг якуний класси юқори эҳтимолликка эга бўлган синфдир. маълумотлар базасига киритиладиган СҚЛ буйруқлари; (2) Бошқа синфларга қараганда ўзаро фаолият ва Сайт скрипти (ХСС) га тегишли бўлган дассификатсия чегараси: тажовузкор 0 дан 1 гача бўлган скриптни интернетга киритади. Агар синф эҳтимолидан ҳеч бири юқорироқ дастур коди бўлмаса: (3) Бруте Форcе: тажовузкор маълум чегарадан ортиқ рўйхатни синаб кўради, бизнинг ёндашувимиз администратор паролини топиш учун "Номаълум пароллар" ни қайтаради.

Хулоса
Хулоса қилиб айтганда Илмий педагогик иш жараёнида мен педагогика касбига кириш кўникмасини ва талабалар билан ишлаш тамойилларини шакллантириш бўйича кўникмаларга эга бўлинди. Ўзбекистон Республикаси Таълим тўғрисидаги Қонини, Давлат таълим стандарти, Олий таълим йўналишлари ва мутахассисликлари классификатори, университет устави, магистратура мутахассисликларининг низомлари билан танишиб чиқилди.
ва тармоқ хавсизлигига бўладиган хужумларни ва унга қарши химояланиш тармоқ хавфсизлигини бошқаришда аппарат ва дастурий воситалардан фойдаланиш ва қўллаш тармоқга киришини ва тарқалиши олдин олишга ёрдам бериши кўриб чиқиш ва тармоқ қурилмаларида - Телнет, ССҲ масофадан уланиш протоколларини созлаш, комутаторларда Порт Сеcуритйни созлаш, тармоқ қурилмалари хавфсизлигини таҳлил қилиш, СТП, РСТП, ЛACП, ПAгП, ВТП, ОСПФни созлаш, РИП, ЕИГРП ва БГП, кириш рўйхатини созлаш (стандарт, кенгайтирилган), НAТ / ПAТ технологиясини созлаш, СCП, СНМП протоколларини ўрнатиш ва журнал файлларини текшириш, шунингдек AAA серверларида аутентификация режимини ўрнатиш ўрганилди. “Когнитив карталар асосида ахборот хавфсизлиги тахдидларни аниклаш алгоритмни ишлаб чикиш” диссертация мавзуси бўйича мақолаларни таҳлил қилиш орқали бугунги кунда мазкур соҳада бўлаётган ҳуқуқбузарликлар ва улардан ҳимояланишнинг замонавий усул ва воситалари ҳақида кўникмага эга бўлинди.