ВИКОРИСТАННЯ ГЛИБОКИХ НЕЙРОННИХ МЕРЕЖ ДЛЯ ВИЯВЛЕННЯ АНОМАЛЬНОЇ МЕРЕЖЕВОЇ АКТИВНОСТІ В РЕЖИМІ РЕАЛЬНОГО ЧАСУ

Abstract

У статті досліджено можливості застосування глибоких нейронних мереж для виявлення аномальної мережевої активності в режимі реального часу. Проведено аналіз сучасних підходів до забезпечення кібербезпеки комп'ютерних мереж, розглянуто особливості функціонування систем виявлення вторгнень та визначено основні переваги використання методів глибокого навчання для аналізу мережевого трафіку. Особливу увагу приділено архітектурам CNN, RNN, LSTM та Autoencoder, які широко застосовуються для класифікації мережевих подій і виявлення аномалій. Визначено перспективи використання глибоких нейронних мереж у сучасних системах кіберзахисту.

References

1.Deep Learning / Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016.

2.Neural Networks and Deep Learning / Nielsen M. Neural Networks and Deep Learning. 2015.

3.Convolutional Neural Network / LeCun Y., Bengio Y., Hinton G. Deep Learning. Nature. 2015.

4.Long Short-Term Memory / Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation. 1997.

5.Autoencoder / Hinton G., Salakhutdinov R. Reducing the Dimensionality of Data with Neural Networks. Science. 2006.

6.NIST. Framework for Improving Critical Infrastructure Cybersecurity.

7.OWASP. OWASP Top 10 Web Application Security Risks.

8.Cisco. Annual Cybersecurity Reports.

9.IBM. X-Force Threat Intelligence Reports.

10.Kaspersky. Cyberthreat Intelligence Reports.