Целью работы является определение существенных параметров архитектуры нейронной сети для построения высокоэффективной системы обнаружения вторжений. Предметом исследования являются параметры архитектуры нейронной сети, используемой для распознавания сетевых атак. Задачи, решаемые в ходе исследования: 1. Изучение принципа функционирования и построения нейросети. 2. Анализ существующих методов редукции данных. 3. Разработка программного прототипа. 4. Проведение экспериментов и анализ результатов. В ходе работы была проведена классификация нейросетей по таким признакам как: характер обучения, структура связей, способ распространения сигнала и др. Выявлено, что для решения поставленной задачи наилучшим образом подходит полносвязная нейронная сеть прямого распространения. В качестве набора данных был взят CSE-CIC-IDS2018. На этапе его предобработки произведена редукция исходных данных. Было проведено исследование компонентов архитектуры нейронной сети таких как: количество нейронов входного, выходного и скрытого слоёв, функция активации, функция потерь, оптимизатор. Из них были выбраны параметры наиболее подходящие для решения задачи бинарной классификации. На основе проведенных исследований, было составлено 16 моделей нейросетей для каждого типа атак, из которых были выбраны лучшие. Полученные результаты могут быть использованы при выборе параметров нейросети, используемой для распознавания сетевых атак.

The purpose of the study is to determine the essential parameters of the neural network architecture for building a highly efficient intrusion detection system. The subject of the work is the parameters of the neural network architecture used to recognize network attacks. The research set the following goals: 1. Studying of the principle of functioning and construction of a neural network. 2. Analysis of existing data reduction methods. 3. Development of a software prototype. 4. Conducting experiments and analyzing the results. In the course of the work, the classification of neural networks was carried out according to such characteristics as: the nature of training, the structure of connections, the method of signal propagation. It is revealed that a neural network of direct propagation is best suited for solving this problem. CSE-CIC-IDS2018 was taken as a data set. At the stage of its preprocessing, the initial data was reduced. The study of the components of the neural network architecture was carried out, such as: the number of neurons of the input, output and hidden layers, activation function, loss function, optimizer. From these, the parameters most suitable for solving the binary classification problem were selected. Based on the conducted research, 16 neural network models were compiled for each type of attacks, from which the best ones were selected. The results could be used to select the parameters of the neural network used to recognize network attacks.

• РЕФЕРАТ
• ABSTRACT
• Введение
• 1 Нейронные сети
  • 1.1 Строение нейронной сети
  • 1.2 Классификация нейронных сетей
    • 1.2.1 По характеру обучения
      • 1.2.1.1 Нейронные сети, использующие обучение с учителем
      • 1.2.1.2 Нейронные сети, использующие обучение без учителя
      • 1.2.1.3 Нейронные сети, использующие обучение с подкреплением
    • 1.2.2 По времени передачи сигнала
      • 1.2.2.1 Синхронные сети
      • 1.2.2.2 Асинхронные сети
    • 1.2.3 По структуре связей
      • 1.2.3.1 Полносвязные сети
      • 1.2.3.2 Неполносвязные сети
    • 1.2.4 По способу распространения сигнала
      • 1.2.4.1 Сети прямого распространения
      • 1.2.4.2 Рекуррентные сети
        • 1.2.4.2.1 С перекрестными связями
        • 1.2.4.2.2 С обратными связями
  • 1.3 Выводы
• 2 Редукция набора данных
  • 2.1 Описание набора данных CSE-CIC-IDS2018
  • 2.2 Нормализация данных
    • 2.2.1 Нормализация по методу минимакс
    • 2.2.2 Z-нормализация (нормализация средним)
  • 2.3 Методы снижения размерности набора данных
    • 2.3.1 Классификация методов снижения размерности
    • 2.3.2 Метод главных компонент PCA
    • 2.3.3 Метод t-SNE
    • 2.3.4 Метод LDA
    • 2.3.5 Метод Kernel PCA
  • 2.4 Выводы
• 3 Выбор архитектуры нейронной сети
  • 3.1 Функция активации
    • 3.1.1 Ступенчатая
    • 3.1.2 Сигмоид
    • 3.1.3 Гиперболический тангенс
    • 3.1.4 ReLU
    • 3.1.5 Leaky ReLU
    • 3.1.6 Softmax
  • 3.2 Методы оптимизации алгоритма обучения нейронной сети
    • 3.2.1 Стохастический градиентный спуск (SGD)
    • 3.2.2 Адаптивный градиент (Adagrad)
    • 3.2.3 Среднеквадратичное распространение (RMSProp)
    • 3.2.4 Метод адаптивной настройки моментов (Adam)
  • 3.3 Метрики оценки качества работы
    • 3.3.1 Accuracy
    • 3.3.2 Precision
    • 3.3.3 Recall
    • 3.3.4 Fβ-score
    • 3.3.5 AUC-ROC
    • 3.3.6 AUC-PR
  • 3.4 Количество нейронов в скрытом слое
    • 3.4.1 Нейросеть с одним скрытым слоем
    • 3.4.2 Нейросеть с r скрытыми слоями, содержащими равное число нейронов
  • 3.5 Количество скрытых слоев
  • 3.6 Выводы
• 4 Проведение экспериментов
  • 4.1 BruteForce
  • 4.2 Botnet
  • 4.3 DoS
  • 4.4 Infiltration
  • 4.5 Выводы
• Заключение
• Список используемых источников
• Приложение. Описание параметров и метрик оценки качества моделей