Детальная информация

Целью работы является обеспечение безопасности операционных систем путем выявления аномалий в их работе с помощью графовых нейронных сетей. Предметом исследования являются аномалии в операционных системах и методы их выявления и прогнозирования. Задачи, решаемые в ходе исследования: 1. Анализ видов аномалий безопасности операционных систем и систематизация методов их прогнозирования. 2. Анализ основных видов графовых нейронных сетей. 3. Разработка метода выявления и прогнозирования аномалий безопасности операционных систем с помощью графовых нейронных сетей. 4. Разработка программного макета и оценка его эффективности. В ходе работы были проанализированы и систематизированы аномалии и методы их прогнозирования, проанализированы графовые нейронные сети, реализованы программный макет методов выявления и прогнозирования аномалий с использованием графовых нейронных сетей.  В результате работы был разработан программный макет выявления и прогнозирования аномалий и оценена его эффективность. Полученные результаты могут быть использованы в качестве основы для дальнейших модификаций методов прогнозирования и выявления аномалий.

The purpose of the study is to ensure the security of operating systems by identifying anomalies in their operation using graph neural networks. The subject of the work research is anomalies in operating systems and methods for their detection and prediction. The research set the following goals: 1. Analysis of types of security anomalies in operating systems and systematization of methods for their prediction. 2. Analysis of the main types of graph neural networks. 3. Development of a method for identifying and predicting security anomalies in operating systems using graph neural networks. 4. Development of a software layout and evaluation of its effectiveness. During the work, anomalies and methods for their prediction were analyzed and systematized, graph neural networks were analyzed, and a software model of methods for identifying and predicting anomalies using graph neural networks was implemented. The work resulted a software model for identifying and predicting anomalies was developed and its effectiveness was assessed. The results could be used as basis for further modifications of forecasting and anomaly detection methods.