You are currently viewing Použitie vybraných stratových funkcií pri tréningu neurónových sietí v oblasti predpovedania sieťového bezpečnostného situačného povedomia

Použitie vybraných stratových funkcií pri tréningu neurónových sietí v oblasti predpovedania sieťového bezpečnostného situačného povedomia

Práca
Prílohy

Autor: Jakub Nižník
Školiteľ: RNDr. Richard Staňa

Abstrakt

Neurónové siete sú efektívnym nástrojom v oblasti kybernetickej bezpečnosti. Jednou z podoblastí kybernetickej bezpečnosti využívajúcou neurónové siete je predpovedanie sieťového bezpečnostného situačného povedomia. Tu je ale efektivita neurónových sieti pri použití rôznych stratových funkcii menej prebádaná. Cieľom tejto práce je analyzovať a otestovať stratové funkcie a metriky ako stratové funkcie v neurónových sieťach v spomínanej oblasti a získať informácie o ich vlastnostiach a efektivite pri tréningu. Medzi vybranými stratovými funkciami budú bežne používane funkcie, ale aj tie menej známe funkcie a metriky, ktoré sa na tento účel bežne nepoužívajú.

Ciele

  • Urobiť prehľad a porovnať aktuálne existujúce stratové funkcie pre neurónové siete v oblasti predpovedania sieťového bezpečnostného situačného povedomia.
  • Navrhnúť a implementovať vybrané stratové funkcie a použiť ich pri tréningu neurónových sietí v oblasti predpovedania sieťového bezpečnostného situačného povedomia.
  • Vyhodnotiť vplyv implementovaných stratových funkcií na tréning a porovnať získané výsledky s existujúcimi prácami.

Literatúra

  • Sewdien, V., Preece, R., Torres, J. R., Rakhshani, E., and van der Meijden, M. Assessment of critical parameters for artificial neural networks based short- term wind generation forecasting. Renewable Energy 161 (2020), 878-892.
  • Chen, X., Yu, R., Ullah, S., Wu, D., Li, Z., Li, Q., Qi, H., Liu, J., Liu, M., and Zhang, Y. A novel loss function of deep learning in wind speed forecasting. Energy 238 (2022), 121808.
  • Staňa, R., Pekarčík, P., Gajdoš, A., and Sokol, P. Network security situation awareness forecasting based on neural networks. In 7th International Conference on Time Series and Forecasting Springer (2021). [accepted].

Priebeh práce

Zatiaľ nezverejnené