Ўзбекистон республикаси ахборот технологиялари ва коммуникацияларини ривожлантириш вазирлиги муҳаммад ал-хоразмий номидаги

 
ПРИМЕНЕНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ МЕТОДОВ В РАЗРАБОТКЕ 
КОМПЬЮТЕРНЫХ СИСТЕМ 
 
Исмаилов О.М. (доцент, ТУИТ), 
Нурмуродов Г.Ш. (студент ТУИТ) 
Быстрое развитие технологий диктуют новые темпы обработке потоков 
информации в сети. Чтобы справиться с этой растущей тенденцией в области 
проектирования компьютерных систем все шире внедряются интеллектуальные методы 
анализа и синтеза информации.
Одной из областей, где наиболее широко применяются интеллектуальные методы 
является разработка систем обнаружения вторжений (СОВ). Это дает возможность 
автоматизировать процесс мониторинга сетевого трафика, с большими объемами данных 
некоторые из них гетерогенного или различного происхождения и путешествующих по 
устройствам на больших скоростях. Все это впоследствии дает не своевременный точный 
анализ. Интеллектуальный анализ данных был определен как решения обработки анализа 
из-за его технологичности и обоснованности и сегодня она широко пользуется в сетевой 
безопасности. 
Обнаружения знаний в базе данных (с анг. Knowledge Discovery in Databases) 
представляет собой термин взаимозаменяемым с интеллектуальным анализом данных, она 
определяется как применение научных методов к интеллектуальному анализу данных. 
Типичный процесс обнаружения знаний в базе данных включает в себя методики 
извлечения и подготовки данных, принятия решений о действиях. 
Рост добычи данных последовательно дала возникновению новых алгоритмов, 
взятых из областей распознавания, машинного обучения и баз данных. На сегодня имеется 
очень много алгоритмов, которые могут быть использованы в добыче данных. Наиболее 
часто используемые методы добычи данных являются: Кластеризация, Классификация, 
Гибридный, Ассоциативный. 

---

301 
Метод классификации и прогнозирования, является наиболее популярным методом 
анализа данных. Этот метод позволяет извлечении моделей, описывающих важные классы 
данных и помогает в прогнозировании будущих тенденций. 
Методы снижение и выбора признака обычно используются в настоящем времени 
для публикации обнаружения вторжений. Эти методы часто используются как синонимы 
для обозначения определения точек. 
Метод снижения признака находит новое подпространство, которое имеет меньшие 
размеры, чем в оригинальном пространстве. Следующие методы часто используется для 
уменьшения признаков:линейный дискриминантный анализ (LDA), анализ главного 
компонента (PCA), некоррелированный линейный дискриминантный анализ (ULDA), 
анализ независимого компонента (ICA). 
Метод выбора признаков – это способ, при котором конкретные характеристики 
выбираются из набора функций, которые имеют высокие возможности дискриминации 
между классами меток. Это требуется для уменьшения ненужных функций, устраняя их 
используя некоторые методы. Этот метод определяет наиболее значимые особенности 
входящего трафика. Основной задачей метода является сведение к минимуму количество 
элементов, не опуская потенциальных показателей аномального поведения. 
На рис. 1 показан процесс обнаружения знаний. Этот процесс помогает в создании 
модели для системы обнаружения вторжений 
Знания
Очистка 
данных
Оценка шаблона
Data mining
Хранилище 
данных
Выбор
Рис 1. Процесс обнаружения знаний 
В последние годы наблюдается большой интерес к повышению эффективности 
методов и расширению функциональных возможностей свойств систем анализа сетевого 
трафика.
Стремительный рост потока информации в сети требует создания систем точно 
определяющих нежелательных инцидентов с низким процентом ложных срабатываний. 
Системы, функционирующие на основе интеллектуальных методов анализа данных, 
демонстрирует более высокую точность к новым типам сетевых инцидентов и 
надежностью использования.