Ключевые слова: компьютерная сеть, динамическая топология, нейронная сеть, угрозы нарушения безопасности, глубокое обучение
Проблемы обучения глубоких нейронных сетей для обнаружения угроз нарушения безопасности в сетях с динамической топологией
УДК 004.032.26:004.056
DOI: 10.26102/2310-6018/2021.32.1.012
В настоящее время внедрение компьютерных сетей с динамической топологией становится повсеместным явлением. В повседневной жизни мы часто с ними сталкиваемся, сами того не подозревая. Мобильные, автомобильные, морские и воздушные динамические сети наблюдаются повсюду, а их отличительной особенностью является постоянное изменение структуры за счет обновления конечных узлов в сети. Благодаря такому широкому распространению в этих сетях возникает достаточное количество угроз нарушения безопасности как на аппаратном уровне, так и на уровне программного обеспечения. Такие угрозы не могут оставаться без внимания. В связи с этим данная работа посвящена рассмотрению основных угроз нарушения безопасности на программном и сетевом уровнях в сетях с динамической топологией и проблем, возникающих при обучении глубокой нейронной сети для обнаружения данных угроз. Проведен анализ проблем обучения глубоких нейронных сетей и предложена методика их устранения с использованием изученных методов решения подобных проблем. В результате практической реализации методики возможно получить правильно обученную нейронную сеть, которая позволит эффективно обнаруживать угрозы нарушения безопасности в режиме реального времени.
1. Защита информации. Основные термины и определения: ГОСТ Р 50922-2006, взамен ГОСТ Р 50922-96. 2008:1-5. Доступно по: http://www.consultant.ru. (дата обращения: 15.12.2020).
2. Демидов Р.А. Выявление угроз нарушения информационной безопасности в сетях с динамической топологией с использованием методов глубокого обучения. Диссертация на соискание ученной степени кандидата технических наук. 2018:1-143.
3. Нейронная сеть. Онлайн моделирование. Доступно по: http://primat.org/demo/network/network.html#1. (дата обращения: 17.12.2020).
4. Нейросети и глубокое обучение, глава 1: использование нейросетей для распознавания рукописных цифр. Доступно по: https://habr.com/ru/post/456738/. (дата обращения: 10.12.2020).
5. Базовая модель угроз безопасности персональных данных при их обработке в информационных системах персональных данных (выписка): утв. заместителем директора ФСТЭК России 15.02.2008. 2008:1-8. Доступно по: http://fstec.ru/component/attachments/download/289. (дата обращения: 10.12.2020).
6. Воробьев Л.В. Системы и сети передачи информации: учебное пособие для студентов высших учебных заведений. 2009:1-336.
7. Гольдштейн Б.С. Сети связи: учебное пособие для студентов высших учебных заведений. 2010:1-400.
8. Защита информации. Обеспечение безопасности сетей электросвязи. Общие положения: ГОСТ Р 52488-2005. 2007:1-7. Доступно по: http://www.consultant.ru. (дата обращения: 13.12.2020).
9. Защита информации. Уязвимости информационных систем. Классификация уязвимостей информационных систем: ГОСТ Р 56546-2015. 2016:1-17. Доступно по: http://www.consultant.ru. (дата обращения: 13.12.2020).
10. Информационная технология. Методы и средства обеспечения безопасности. Критерии оценки безопасности информационных технологий. Часть 1. Введение и общая модель: ГОСТ Р ИСО МЭК 15408-1-2012 взамен ГОСТ Р ИСО МЭК 15408-2008. 2013:1-56. Доступно по: http://www.consultant.ru. (дата обращения: 14.12.2020).
11. Крухмалев В.В., Гордиенко В.Н. Основы построения телекоммуникационных систем и сетей: учебное пособие для студентов высших учебных заведений. 2004:1-510.
12. Соколов А.В. Защита информации в распределенных корпоративных сетях и системах. 2002:1-656.
Ключевые слова: компьютерная сеть, динамическая топология, нейронная сеть, угрозы нарушения безопасности, глубокое обучение
Для цитирования: Клюев С.Г., Трунов Е.Е. Проблемы обучения глубоких нейронных сетей для обнаружения угроз нарушения безопасности в сетях с динамической топологией. Моделирование, оптимизация и информационные технологии. 2021;9(1). URL: https://moitvivt.ru/ru/journal/pdf?id=898 DOI: 10.26102/2310-6018/2021.32.1.012
Опубликована 31.03.2021