Система виявлення аномалій на основі нейронних мереж

Simple item page
dc.contributor.advisorСавченко, Тетянаuk_UA
dc.contributor.authorТоменко, Наталяuk_UA
dc.date.accessioned2025-09-08T10:53:29Z
dc.date.available2025-09-08T10:53:29Z
dc.date.issued2025
dc.description.abstractДипломна 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.uk_UA
dc.identifier.urihttps://ekmair.ukma.edu.ua/handle/123456789/36507
dc.language.isoukuk_UA
dc.statusfirst publisheduk_UA
dc.subjectвиявлення аномалійuk_UA
dc.subjectнейронні мережіuk_UA
dc.subjectмережеві аномаліїuk_UA
dc.subjectмережевий трафікuk_UA
dc.subjectCNNen_US
dc.subjectLSTMen_US
dc.subjectавтоенкодериuk_UA
dc.subjectAutoencodersen_US
dc.subjectбакалаврська роботаuk_UA
dc.titleСистема виявлення аномалій на основі нейронних мережuk_UA
dc.typeOtheruk_UA
Files
Original bundle
Now showing 1 - 2 of 2
Thumbnail Image
Name:
Tomenko_Bakalavrska_robota.pdf
Size:
1.83 MB
Format:
Adobe Portable Document Format
Download
Thumbnail Image
Name:
Tomenko_Bakalavrska_robota_1.pdf
Size:
644.58 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
F3 Комп'ютерні науки