Details

Title Обнаружение аномалий трафика с использованием рекуррентных нейронных сетей: выпускная квалификационная работа специалиста: направление 10.05.04 Информационно-аналитические системы безопасности ; образовательная программа 10.05.04_01 Автоматизация информационно-аналитической деятельности
Creators Шимко Полина Алексеевна
Scientific adviser Платонов Владимир Владимирович
Other creators Зайцева Елизавета Алексеевна
Organization Санкт-Петербургский политехнический университет Петра Великого. Институт прикладной математики и механики
Imprint Санкт-Петербург, 2020
Collection Выпускные квалификационные работы ; Общая коллекция
Subjects обнаружение аномалий сетевого трафика ; рекуррентные нейронные сети ; метод главных компонент ; прирост информации ; network traffic anomaly detection ; recurrent neural network ; lstm ; principal component analysis ; information gain
Document type Specialist graduation qualification work
File type PDF
Language Russian
Level of education Specialist
Speciality code (FGOS) 10.05.04
Speciality group (FGOS) 100000 - Информационная безопасность
Links Отзыв руководителя ; Рецензия ; Отчет о проверке на объем и корректность внешних заимствований
DOI 10.18720/SPBPU/3/2020/vr/vr20-142
Rights Доступ по паролю из сети Интернет (чтение)
Record key ru\spstu\vkr\5578
Record create date 2/7/2020

Allowed Actions

Action 'Read' will be available if you login or access site from another network

Group Anonymous
Network Internet

В данной работе проведено исследование возможностей рекуррентных нейронных сетей. Для поиска аномалий сетевого трафика использовался подкласс рекуррентных нейронных сетей – LSTM (Long Short-Term Memory). Для повышения эффективности обнаружения аномалий были использованы методы сокращения размерности данных. Осуществлена оценка применимости рекуррентных нейронных сетей для обнаружения аномалий.

In this work the study of the possibilities of recurrent neural networks was conducted. For search of network traffic anomalies was used a subclass of recurrent neural networks – LSTM (Long Short-Term Memory). Data reduction methods were used to improve the efficiency of anomaly detection. The applicability of recurrent neural networks for anomaly detection was assessed.

Network User group Action
ILC SPbPU Local Network All
Read
Internet Authorized users SPbPU
Read
Internet Anonymous

Access count: 82 
Last 30 days: 0

Detailed usage statistics