Методы искусственного интеллекта в задачах обеспечения безопасности компьютерных сетей в. Ю. Колеватов, Е. В. Котельников

6. Метод опорных векторов 
Метод опорных векторов (
Support vector machines,
 
S
VM) был описан в работах 
В. Н. Вапника [27, 28]. SVM – это математический метод получения функции, 
решающей задачу классификации. 
Идея метода возникла из геометрической интерпретации задачи классификации. 
Пусть два множества точек можно разделить плоскостью (в двумерном пространстве – 
прямой). Тогда таких плоскостей будет бесконечное множество (рис. 4а). 
Выберем в качестве оптимальной такую плоскость, расстояния до которой 
ближайших точек обоих классов равны (рис. 4б). Ближайшие точки-векторы 
называются 
опорными
. 
Поиск 
оптимальной 
плоскости 
приводит 
к 
задаче 
квадратичного 
программирования при множестве линейных ограничений-неравенств. В 90-х гг. 
прошлого века метод SVM был усовершенствован: разработаны эффективные 
алгоритмы поиска оптимальной плоскости, найдены способы обобщения на 
нелинейные случаи и ситуации с числом классов, большим двух [27, 28]. 
х
1
х
2
f(x
1
,x
2
)=0
х
1
х
2
f
1
f
2
f
3
а
б
Рис. 4
. Иллюстрация основной идеи SVM 

---

19 
Метод опорных векторов хорошо зарекомендовал себя в распознавании 
рукописного текста и лиц, в задачах текстовой классификации. Ведутся разработки по 
использованию этого метода в системах обеспечения сетевой безопасности. Например, 
в [29] описана методика определения нежелательного программного обеспечения по 
метрической удаленности от геометрического центра векторов-признаков событий 
компьютерной сети с помощью метода опорных векторов.
Для определения атак нужно сформировать вектор признаков, подобный 
вектору, который формируется для искусственной нейронной сети. Затем с помощью 
специального программного обеспечения, например SVM Light [30], произвести 
обучение SVM-классификатора. В результате получится функция, которая будет 
производить классификацию векторов-признаков, т. е. распознавать, к какому классу 
относится текущее действие ПО или пользователя – правомерному или запрещенному. 
Методы использования и обучения SVM в сфере сетевой безопасности еще до 
конца не изучены. Ясно только, что данный подход обладает существенной мощью и 
имеет большие перспективы развития, в том числе в задаче обеспечения защиты 
компьютерных сетей. 

---

20 
7. Заключение 
В появляющихся новых антивирусных утилитах, программах анализа сетевой 
защищенности, межсетевых экранах наблюдается тенденция увеличения масштаба 
использования технологий искусственного интеллекта. Этому способствует наличие в 
них возможности обучения, активное развитие методологии ИИ, увеличение числа и 
усложнение сетевых угроз.
Другой тенденцией является направленность на интеграцию средств защиты 
различных уровней (например, персональный антивирус и сетевой экран уровня 
предприятия) с использованием средств ИИ. 
Таким образом, можно сделать вывод, что рассмотренные в статье подходы и 
методы ИИ на сегодняшний день далеко не исчерпали свой потенциал. Высока 
вероятность, что дальнейшие исследования раскроют новые пути применения методов 
ИИ в сфере сетевой безопасности. 

---

21