Информационно-образовательный портал СОДРУЖЕСТВА НЕЗАВИСИМЫХ ГОСУДАРСТВ
ИНФОРМАТИЗАЦИЯ ОБРАЗОВАНИЯ
И ДИСТАНЦИОННОЕ ОБУЧЕНИЕ В СНГ
Информационно-образовательный портал СОДРУЖЕСТВА НЕЗАВИСИМЫХ ГОСУДАРСТВ  

Страны
Азербайджанская Республика
Республика Армения
Республика Беларусь
Республика Казахстан
Кыргызская Республика
Республика Молдова
Российская Федерация
Республика Таджикистан
Туркменистан
Республика Узбекистан
Украина

Типы материала
Информационно-коммуникационные технологии
Дополнительные информационные материалы
Нормативно-правовое обеспечение
Организация и методики обучения
Экономика образования
Межгосударственное сотрудничество
Образовательные центры
Методики обучения
Межвузовское сотрудничество
Повышение квалификации
Международные проекты и гранты, конкурсы
Конференции, симпозиумы, семинары и др.
Библиотека
 
Журнал «Вестник РУДН» серия «Информатизация образования»
 
2014, №4
2014, №3
2014, №2
2014, №1
2013, №4
2013, №3
2013, №2
2013, №1
2012, №4
2012, №3
2012, №2
2012, №1
2011, №4
2011, №3
2011, №2
2011, №1
2010, №4
2010, №3
2010, №2
2010, №1
2009, №4
2009, №3
2009, №2
2009, №1
2008, №4
2008, №3
2008, №2
2008, №1
2007, №4
2007, №3
2007, №2-3
2007, №1
2006, №1(3)
2005, №1(2)
2004, №1
Научные и специальные электронные ресурсы
Учебная, научная и специальная литература
Комиссия по дистанционному обучению совета по сотрудничеству в области образования государств-участников СНГ
Новости

Нейронные технологии в информационной безопасности


Аннотация
В данной статье представлен материал по использованию нейросетевых технологий в системах информационной безопасности. В качестве примера предложена эквистерная нейронная сеть для построения устройств обнаружения вторжений. Для данного типа сети представлен формальный нейронный элемент, который реализует функцию обнаружения вторжений/атак. Ключевые слова: информационная безопасность, нейронные технологии, информационные технологии, экспертные системы.

Текст документа

А.А. Южаков

Кафедра автоматики и телемеханики

Пермский государственный технический университет

 

Современные  научные  достижения  в  таких  областях  информатики  как математическое  моделирование  состояния  внешнего  мира,  искусственный интеллект, теория приняти?? решений, обработка изображений, сигналов и сцен распознавание  образов,  оптимальное  управление,  и  др.  позволяют  говорить  о реальной возможности перехода к новому поколению средств информационной защиты – интеллектуальным системам информационной безопасности [1]. Стремительно  растет  и  перечень  задач  информационной  безопасности, решаемых с использованием интеллектуальных методов и средств [2].   Пожалуй,  первой  актуальной  задачей  в  сфере  информационной безопасности,  потребовавшей  использования  мощного  арсенала  методов  и средств  искусственного  интеллекта,  стала  задача  обнаружения  вторжений  и атак  на  автоматизированные  информационные  системы [1].

Целью данной работы, является показать, то современные средства  обнаружения  вторжений  неизбежно  должны  включать  в  себя интеллектуальные  подсистемы,  по  крайней  мере,  в  качестве  одной  из  своих составных  частей.  В  настоящее  время  основу  таких  интеллектуальных подсистем  в  наибольшей  степени  составляют  экспертные  системы и искусственные нейронные сети [2].

Предположим, что устройства обнаружения вторжений (УОВ), как устройства, реконфигурируемые в процессе рабочего функционирования, могут быть реализованы как автоматы с настраиваемой структурой (АНС) [3]. Исследованные принципы построения АНС на основе нейронных сетей, обеспечивающих параллельность, переменность и однородность структуры [5], показывают, что при этом АНС состоит из одинаковых и однотипно соединяемых друг с другом универсальных элементов с настраиваемым изменением связей между ними. Это позволяет за счет настройки (реконфигурации) связей выделять группы универсальных элементов, выпол????ющих упорядочение сообщений {Xi}, поступающих по определенному входному каналу (1¸G).

При этом в структуре сети организуется несколько процессов упорядочения, протекающих параллельно во времени. Разработанные логические основы реализации УОВ на базе нейронных технологий позволяют утверждать, что базовым универсальным элементом структуры УОВ, выполненного на основе нейронных технологий, является формальный нейронный элемент (ФНЭ), реализующий функцию обнаружения вторжения с осуществляемой настройкой по заданной уязвимости [4].

Тогда функция преобразования ФНЭ, имеющая вид: ,           где: Хi (i = ) – входные сигналы ФНЭ; Yi (i = ) – выходные сигналы; Хосj – сигналы обратных связей всех ФНЭ в сети (j = ), kG(G1); f1i, f2i – функции коммутации входных и выходных сигналов соответственно; f3 – функция н??стройки ФНЭ (место нейрона, тип уязвимости/вторжения); f4j – функция коммутации обратных связей, зависящая от f3.

Разработана типовая обобщенная структура УОВ (рис.1).

Для предложенной обобщенной сетевой структуры УОВ разработана типовая структура ФНЭ (рис.2).

В принципе мы могли бы все линейные нейроны сети слить в один нейрон и попытаться обучить его. При этом справиться с такой задачей не удастся в ввиду ее декомпозиции. Данных оказывается слишком много, и они имеют низкое качество.

Урегулировать задачу удастся, разбив ее на множество подзадач обучения нейронов с малым числом входов. При обучении каждого нейрона следует стремиться сжать распределения наблюдаемых классов распределений и одновременно раздвинуть их центры по отношению друг к другу.

Рис. 2. Структура ФНЭ для эквисторной сети: К1, К2 – коммутаторы входов/выходов соответственно, ИВ – многовходовой измеритель веса,  УСК – устройство сравнения кодов,  Хосk  – сигналы обратной связи.

 Обучение ведется послойно [3]: сначала обучаем первый слой нейронов, затем входные данные примеров обучения  транслируются через первый обученный слой, и, таким образом, получаются примеры для обучения второго слоя нейронов. Число слоев нейронов теоритически может быть любым. Быстрые алгоритмы послойного обучения нейронных сетей не накладывают технических ограничений на число слоев нейронной сети  [3].

Автор считает, что в данной работе новыми являются следующие положения и результаты: применительно к этому случаю (нейросеть – это совокупность нескольких сотен примитивных наблюдателей нейронов),  для того чтобы на фоне ими лично видимого шума верно увидеть  (оценить)  вторжение, необходимо одновременно учитывать совместное влияние тысяч статистических параметров. Именно по этой причине нейросеть обучается и потом анализируется большое число вероятностей появления вторжения в последовательности обрабатываемых и передаваемых данных.

Установлено, что для обеспечения гибкости и рационального использования общего ресурса элементов сети, ФНЭ как универсальный элемент структуры сети должен обладать свойствами настраиваемости на любое место в организуемой нейронной сети, в любом из организованных в массиве ФНЭ М (М G) каналов контроля. Для этого в состав типового ФНЭ должна быть введена память, в которой располагается код признака канала ( ) поступившего сообщения.

Выполнен анализ сложности ФНЭ. Показано, что количество входов коммутаторов К1, К2 и ИВ ФНЭ и общий объем аппаратуры ФНЭ, линейно зависит от числа входных каналов (см., табл. 1).

Таблица 1

Аппаратурные затраты на реализацию ФНЭ

Основная аппаратура

Количество элементов

Весовой

коэффициент

Эквивалентные затраты

Управляемые ключи

1

1

1

Измеритель веса

1

G(G – 1)

G(G – 1)

Устройство сравнения кодов

1

2G

2G

Логические элементы

2

1

2

Коммутационные элементы шины Ш1 (К1, К2)

2 G

0,5

G

Коммутационные элементы шины Ш2 (К3)

N

0,5

0,5N

Регистр управления

(а1 + а2 + 1)

1

6

 

В качестве базиса реализации принят элемент «2И–НЕ». Весовой коэффициент учитывает стоимостные и аппаратурные затраты элемента в выбранном базисе с учетом материалов, представленных в [4].

ЛИТЕРАТУРА

[1] Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. – М.: Финансы и статистика, 2004.

[2] Брюхомицкий Ю.А. Нейросетевые модели для систем информационной безопасности. – Таганрог: Изд-во ТРТУ, 2005.

[3] Волчихин В.И., Иванов А.И., Фунтиков В.А. Быстрые алгоритмы обучения нейросетевых механизмов биометрико-криптографической защиты информации. – Пенза: Изд-во Пенз. гос. ун-та, 2005 с.

[4] Южаков А.А. Устройства динамического приоритета на основе нейронных технологий: Автореф. Дисс…канд. техн. наук. – Пермь, 2006.

[5] Третьяков Н.В., Южаков Ал.Ал., Южаков А.А. // Устройство динамического приоритета нейронной структуры. Информационные управляющие системы: Сб. науч. тр. – Пермь: ПГТУ, 1999. – С. 10–15.


Автор оригинала: А.А. Южаков
Источник оригинала: Журнал Вестник РУДН серия «Информатизация образования», №3, 2011

Новости
16.06.2017

Российский университет дружбы народов объявляет о проведение первой волны вступительных испытаний среди иностранных граждан для обучения на программах магистратуры на контрактной основе. Первая ...

13.10.2016

26 октября-27 октября 2016 года Российский университет дружбы народов проводит Международную конференцию «Сетевые университеты и международный рынок труда (пространства БРИКС, СНГ, ШОС)».

19.05.2016

The Peoples’ Friendship University of Russia (PFUR) announces the beginning of admission of foreign citizens who graduated from Bachelor and Specialist Degree programs of PFUR and other Russian and ...

19.05.2016

Российский университет дружбы народов (РУДН) объявляет о наборе иностранных граждан -выпускников бакалавриата и специалитета РУДН и других российских и зарубежных ВУЗов на программы магистратуры на ...

11.12.2015

Проект рекомендаций Семинара-совещания научной общественности по проблемам международного научно-технического и образовательного сотрудничества