Details

Title Определение значений параметров модели нейронной сети для защиты от состязательных атак: выпускная квалификационная работа бакалавра: направление 10.03.01 «Информационная безопасность» ; образовательная программа 10.03.01_03 «Безопасность компьютерных систем»
Creators Обидина Александра Игоревна
Scientific adviser Платонов Владимир Владимирович
Organization Санкт-Петербургский политехнический университет Петра Великого. Институт кибербезопасности и защиты информации
Imprint Санкт-Петербург, 2022
Collection Выпускные квалификационные работы; Общая коллекция
Subjects состязательные атаки; машинное обучение; метод главных компонент; обнаружение сетевых атак; adversarial attacks; machine learning; principal component analysis; network attack detection
Document type Bachelor graduation qualification work
File type PDF
Language Russian
Level of education Bachelor
Speciality code (FGOS) 10.03.01
Speciality group (FGOS) 100000 - Информационная безопасность
DOI 10.18720/SPBPU/3/2022/vr/vr22-1034
Rights Доступ по паролю из сети Интернет (чтение)
Record key ru\spstu\vkr\17207
Record create date 7/27/2022

Allowed Actions

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

Group Anonymous
Network Internet

Тема выпускной квалификационной работы: «Определение значений параметров модели нейронной сети для защиты от состязательных атак».Целью работы является построение моделей обнаружения сетевых атак, устойчивых к состязательным атакам. Предметом исследования являются параметры моделей полносвязных нейронных сетей прямого распространения. Задачи, которые решались в ходе выполнения данной работы: Анализ нейронных сетей. Выбор архитектуры нейронной сети. Определение значимых признаков для обнаружения сетевых атак. Определение наиболее стойкой к состязательных атакам модели. В данной работе были исследованы различные параметры полносвязных нейронных сетей прямого распространения, такие как количество нейронов в скрытых слоях, функции активации, методы оптимизации, подходы к обучению нейронных сетей. Также были изучены понятие состязательной атаки и состязательного примера, база данных сетевых атак UNSW-NB 15.В результате работы были определены значимые признаки базы данных сетевых атак UNSW-NB 15, на основе которых были предприняты попытки провести состязательные атаки на созданные модели перцептронов. С помощью определения метрик из моделей была выбрана лучшая. Полученные результаты могут быть использованы для создания моделей нейронных сетей, которые должны быть защищены от состязательных атак.

The topic of the graduate qualification work is «Determination of neural network model parameter values for defense against adversarial attacks».The purpose of the study is to build models for detecting network attacks that are resistant to adversarial attacks. Studying inner working of Linux-family OS kernel network stack. The tasks that were solved during the execution of this study:Analysis of neural networks.Choice of neural network architecture.3.   Identify significant features to detect network attacks.4.   The most resistant to adversarial attacks model definition.Various parameters of fully connected neural networks of direct propagation were investigated in this study, such as the number of neurons in hidden layers, activation functions, optimization methods, approaches to training neural networks. The concept of an adversarial attack and an adversarial example, the UNSW-NB 15 network attack database, were also studied.As a result of the work, significant features of the UNSW-NB 15 network attack database were identified. Using these parameters, attempts to conduct adversarial attacks on the created perceptron models were made. Using the metrics definition, the best model was selected.The results can be used to create models of neural networks that must be protected from adversarial attacks.

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

Access count: 75 
Last 30 days: 0

Detailed usage statistics