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.