В настоящей работе предлагается использование гибридных моделей на основе нейронных сетей и нечетких систем для построения интеллектуальных систем обнаружения вторжения, основанных на теории нечетких правил. Представленная система сможет генерировать правила на основе результатов с использованием нечетких логических нейронов. Чтобы избежать перенасыщения и способствовать в определении необходимой топологии сети, обучающие модели, основанные на экстремальной обучающей машине и теории регуляризации, будут использоваться для поиска наиболее значимых нейронов. Рассмотрен тип кибератаки SQL-инъекция, которая активно использует ошибки в системах, имеющие связь с базой данных через SQL-команды, и по этой причине считается разновидностью прямолинейной атаки. Архитектура нечеткой нейронной сети, используемой при обнаружении атак SQL-инъекций, представляет собой многокомпонентную структуру. Первые два слоя модели рассматривают как систему нечеткого вывода, способную извлекать знания из данных и преобразовывать их в нечеткие правила. Эти правила помогают построить автоматизированные системы для обнаружения атак SQL-инъекций. Третий слой состоит из простого нейрона, который имеет функцию активации, называемую ReLU с утечкой. Первый слой состоит из нечетких нейронов, активационные функции которых являются гауссовыми функциями принадлежности нечетких множеств, определенных в соответствии с разбиением входных переменных. Методика использует понятие простой линейной регрессионной модели, позволяющей решить задачу выбора наилучших подмножеств нейронов. Для выполнения выбора модели в статье был применен широко используемый алгоритм наименьшей угловой регрессии (LARS).
Архипова Анастасия Борисовна
В настоящей работе предлагается использование гибридных моделей на основе нейронных сетей и нечетких систем для построения интеллектуальных систем обнаружения вторжения, основанных на теории нечетких правил. Представленная система сможет генерировать правила на основе результатов с использованием нечетких логических нейронов. Чтобы избежать перенасыщения и способствовать в определении необходимой топологии сети, обучающие модели, основанные на экстремальной обучающей машине и теории регуляризации, будут использоваться для поиска наиболее значимых нейронов. Рассмотрен тип кибератаки SQL-инъекция, которая активно использует ошибки в системах, имеющие связь с базой данных через SQL-команды, и по этой причине считается разновидностью прямолинейной атаки. Архитектура нечеткой нейронной сети, используемой при обнаружении атак SQL-инъекций, представляет собой многокомпонентную структуру. Первые два слоя модели рассматривают как систему нечеткого вывода, способную извлекать знания из данных и преобразовывать их в нечеткие правила. Эти правила помогают построить автоматизированные системы для обнаружения атак SQL-инъекций. Третий слой состоит из простого нейрона, который имеет функцию активации, называемую ReLU с утечкой. Первый слой состоит из нечетких нейронов, активационные функции которых являются гауссовыми функциями принадлежности нечетких множеств, определенных в соответствии с разбиением входных переменных. Методика использует понятие простой линейной регрессионной модели, позволяющей решить задачу выбора наилучших подмножеств нейронов. Для выполнения выбора модели в статье был применен широко используемый алгоритм наименьшей угловой регрессии (LARS).
Архипова А.Б., Поляков П.А. Методология построения нейронной нечеткой сети в области информационной безопасности // Безопасность цифровых технологий. – 2021. – № 3 (102). – С. 43–56. – DOI: 10.17212/2782-2230-2021-3-43-56.
Arkhipova A.B., Polyakov P.A. Metodologiya postroeniya neironnoi nechetkoi seti v oblasti informatsionnoi bezopasnosti [Methodology for constructing a neural fuzzy network in the field of information security]. Bezopasnost' tsifrovykh tekhnologii = Digital Technology Security, 2021, no. 3 (102), pp. 43–56. DOI: 10.17212/2782-2230-2021-3-43-56.
