Содержание

Термины и определения 5

ВВЕДЕНИЕ 6

1. ОБЗОР МОДЕЛЕЙ И МЕТОДОВ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ 8

1.1. Модели на базе цепей Маркова 9

1.2. Нейросетевые модели 11

1.3. Сравнение моделей прогнозирования 14

Выводы по 1-ой главе 16

2. КОМПЬЮТЕРНЫЕ НЕЙРОННЫЕ СЕТИ 17

2.1. Роль искусственных нейронных сетей в исследовании и анализе информационных систем 17

2.2. Основные методы обучения нейронной сети 24

2.3. Обучение с учителем: алгоритм обратного распространения 24

3. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ МОДЕЛЕЙ НЕЙРОСЕТЕЙ В ЗАДАЧАХ ДИАГНОСТИКИ УГРОЗ В ИНФОРМАЦИОННЫХ СИСТЕМАХ 26

3.1. Особенности программной реализации моделей нейронных сетей в пакете MATLAB 26

3.2 Идентификация классов и объектов атаки на операционную систему 27

3.3. Распознавание угроз информационной системе 30

ЗАКЛЮЧЕНИЕ 37

ЛИТЕРАТУРА 38

Выдержка из текста

Входы информационных систем представляют собой информационные потоки, формируемые программными и аппаратными средствами. Контроль над информационными потоками по мере продвижения их в вычислительных или телекоммуникационных сетях состоит в идентификации и документальной фиксации отклонений от нормального состояния в виде программно-аппаратных сбоев, операций несанкционированного доступа, нерегламентированных действий персонала, внешних и внутренних атак и т.д.

В дальнейшем на основании анализа и обработки этих данных строятся модели эталонных информационных потоков и модели возникновения и развития угроз и ошибок, критерии определения вероятности ошибок системы первого и второго рода, диапазоны безопасной работы информационных систем и их статистические параметры.

На функционирование информационных систем, как вычислительных, так и телекоммуникационных, оказывают влияние множество постоянно меняющихся факторов внешних и внутренних условий.

Следовательно, актуальность совершенствования методов диагностики информационных систем обусловлена, с одной стороны, постоянно растущими требованиями к уровню и качеству их исследования, а с другой – также постоянно растущими возможностями аппаратных и программных вычислительных средств: задачи диагностики информационных систем усложняются одновременно с расширением возможностей информационных технологий.

Целью работы является изучение модели нейросетей и соответствующего ей метода исследования и анализа информационных систем.

Для достижения этой цели были поставлены и решены следующие задачи.

1. Провести анализ методов и моделей исследования и анализа информационных систем для выявления достоинств и недостатков моделей каждого класса. Определить наиболее эффективные модели исследования и анализа информационных систем, проанализировать их основные недостатки, определить подходы, позволяющие устранить недостатки известных моделей.

2. Разработать модель исследования и анализа информационных систем методами нейросетей, устраняющую недостатки других моделей.

3. Реализовать алгоритмы нейросетевых исследований в среде MatLab.

4. Оценить эффективность нейросетевой модели для решения задач исследования и анализа информационных систем различной природы.

Методы исследования. Для решения поставленных задач в настоящей работе необходимо использовать методы исследования и анализа информационных систем.

Объектом исследования являются нейросетевые методы исследования и анализа информационных систем.

Предметом – эффективность исследования и анализа информационных систем методом нейросетей.

Список использованной литературы

1. Gheyas I.A., Smith L.S. A Neural Network Approach // Proceedings of the World Congress on Engineering, London, 2009, Vol 2 [электронный ресурс]. P. 1292 – 1296. URL: www.iaeng.org /publication/WCE2009/WCE2009_pp1292-1296.pdf

2. Morariu N., Iancu E., Vlad S. A neural network model // Romanian Journal of Economic Forecasting. 2009, No. 4. P. 213 – 223.

3. Нормативные системы в прогнозировании развития предпринимательского сектора экономики / Л.И. Муратова [и др.] // Управление экономическими системами [электронный ресурс]. 2009, №20. URL: http://uecs.mcnip.ru/modules.php?name=News&file=print&sid=145

4. Ф. Уоссермен “Нейрокомпьютерная техника”, М.: Мир, 1992. – 126 с.

5. Панфилов П. “Введение в нейронные сети” – статьи, журнал «Современный трейдинг» №№ 1, 2, 3 2001г. – СПб.: Изд-во “Альпина”

6. Найман Э.Л. “Малая энциклопедия трейдера”. – К., “ВИРА-Р”, Изд-во “Альфа Капитал”, 1999. – 285 c.

7. Леоненков А. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб: БХВ-Петербург, 2005. 736 с.

8. «Применение ИНС для создания экспертной системы диагностирования технологического оборудования» А.В. Семенченко Московский государственный строительный университет (МГСУ)

9. http://leonarus.com/2008/09/08/tipichnye-primery-primeneniya-nejronnyx-setej-v-menedzhmente/

10. Быкадоров Р.В., Воронин С.Ю. Вероятностные методы расчета технологического процесса ткачества. Иваново, ИГТА, 2006. – 108 с.

11. Вилленброк Х. Тайны принятия решений// GEO, июль 2009, с. 70-87.

12. Воробьев Н.Н. Теория игр для экономистов-кибернетиков – М.: Наука, Главная редакция физико-математической литературы, 1985. – 272 с.

13. Вороновский Г. К., Махотило К. В., Петрашев С. Н., Сергеев С. А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. — Харьков: Основа, 1997. — 112 с.

Похожие записи