Система виявлення аномалій на основі нейронних мереж
Loading...
Date
2025
Authors
Томенко, Наталя
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Дипломна робота присвячена дослідженню ефективності архітектур нейронних мереж для виявлення мережевих аномалій та розробці рекомендацій щодо їх практичного застосування. Проведено аналіз літератури з виявлення аномалій, систематизовано типи мережевих аномалій та досліджено архітектури CNN, LSTM, GRU та автоенкодерів. Експериментально протестовано дев'ять моделей на наборі NSL-KDD. Найвищу точність показав GRU Autoencoder (F1 Score 98,5%), серед класифікаційних моделей – Deep CNN (90,9%) та Bidirectional LSTM (88,4%). Досліджено трансферність моделей на UNSW-NB15. Bidirectional LSTM демонструє найкращу адаптивність (F1 Score 95,99% при донавчанні на 1% даних), CNN потребують 20% даних, автоенкодери показують обмежену трансферність. Проаналізовано обчислювальну ефективність: CNN оптимальні для пакетної обробки, рекурентні мережі забезпечують баланс точності та швидкості, автоенкодери найбільш компактні. Розроблено рекомендації щодо вибору архітектури залежно від типу аномалій, стабільності середовища та ресурсних обмежень. Результати можуть використовуватись для розробки систем виявлення мережевих аномалій та подальших досліджень у галузі.
Description
Keywords
виявлення аномалій, нейронні мережі, мережеві аномалії, мережевий трафік, CNN, LSTM, автоенкодери, Autoencoders, бакалаврська робота