No abstract

No abstract

Основною метою еволюційної оптимізації є пошук такого поєднання параметрів (незалежних змінних), яке сприяло б максимізації або мінімізації якісних, кількісних і ймовірнісних характеристик розв'язуваного завдання. Останнім часом широкого поширення набули інтегровані методи оптимізації, які запозичують основні засади своєї роботи з живої природи. Основною особливістю методів оптимізації на базі колективного інтелекту є їх біонічна природа, тобто вони основані на моделюванні діяльності тварин, поведінка яких має колективний характер. Така поведінка дає змогу цим тваринам максимально ефективно вирішувати різні важливі практичні завдання у природі, що свідчить про високу ефективність роботи цих методів при вирішенні практичних комплексних задач оптимізації. У роботи розглядається удосконалення методу виявлення джерел неправдивої інформації за рахунок інтеграції існуючих методів непереривної оптимізації. Удосконалення поліноміальних евристичних алгоритмів для вирішення оптимізаційних завдань у дослідження операцій виявлення неправдивої інформації. Це завдання на скінченних множинах. Однак навіть у цьому випадку, не говорячи вже про пошук розв'язку в нескінченних просторах, виникають проблеми із застосуванням точних методів, що визначає актуальність розробки приближених алгоритмів комбінаторної оптимізації. Розглянуті два підходи до інтеграції. Підвищення ефективності гібридного алгоритму можна добитися шляхом використання єдиної структури даних при представленні рішення у вигляді позиції в просторі пошуку в методі бджолиної колонії і у вигляді хромосоми в генетичному алгоритмі. Проведені експериментальні дослідження порівняння результатів гібридного ройового методу з алгоритмами, реалізованими на основі одного з методів, - генетичним або бджолиним показали, що в цілому гібридним методом імовірність отримання оптимального рішення склала 0,9, що на 5% кращі за рішення існуючими методами знаходження оптимального рішення для поставленого завдання.

Особливістю повільної DDoS-атаки є використання вразливості в протоколі TCP/IP, де навмисно чи ненавмисно можуть бути викликані переривання в результаті затримки в каналах зв'язку. У статті розглядається проблема виявлення повільної розподіленої атаки відмови в обслуговуванні. Відомо, що виявлення повільних DDoS-атак відрізняється від атак на основі обсягу трафіку, оскільки вони не збільшують інтенсивність трафіку в мережі. Замість створення раптового надлишку тра[1]фіку, повільні малопотужні атаки проводяться з мінімальною активністю і не реєструються сис[1]темами. Вони спрямовані на те, щоб вивести об'єкт з ладу непомітно, створюючи мінімальну кіль[1]кість підключень та залишаючи їх незавершеними якомога довше. Як правило, зловмисники відправ[1]ляють часткові запити HTTP і невеликі пакети даних або повідомлення для перевірки активності, щоб підключення залишалося активним. Подібні атаки важко заблокувати, і складно виявити. У зв'язку з малим обсягом трафіку, а також з тим, що атаки можуть виглядати як стандартні підк[1]лючення, потрібна інша технологія запобігання. Джерела атак необхідно блокувати, виходячи з осо[1]бливостей виконання запитів, а не на основі їх репутації. Тому було зроблено припущення про залеж[1]ність успішної повільної DDoS-атаки залежить та поведінки користувача. На основі моделювання методу виявлення повільних атак було проведено дослідження та прогнозування поведінки особис[1]тості, запропоновано траєкторію поведінки конкретного користувача. Можливості застосування такого методу підтверджено моделюванням атак RUDY на HTTP-сервіси. Отримані характерис[1]тики точності прогнозування залежно від відображуваного накопиченого трафіку і статистики атак. Дослідження доводить, такий метод можна використовувати для виявлення різних типів по[1]вільних DDoS-атак

Основною метою еволюційної оптимізації є пошук такого поєднання параметрів (незалежних змінних), яке б сприяло максимізації або мінімізації якісних, кількісних та ймовірнісних характеристик розв’язуваної задачі. Останнім часом стала вельми поширеною отримали інтегровані методи оптимізації, які запозичують основні засади своєї роботи із живої природи. Дослідники експериментують з різними типами уявлень, так, еволюційні та генетичні алгоритми  використовують методи селекції та генетичні оператори, відомо велике число алгоритмів заснованих на методі рою частинок. Штучна бджолина колонія — це метод оптимізації, що імітує поведінку бджіл, специфічне застосування кластерного інтелекту, головна особливість якого полягає в тому, що йому не потрібно розуміти спеціальну інформацію про проблему, потрібно лише оптимізувати проблему. Порівняння неповноцінності за допомогою локальної оптимізаційної поведінки кожної людини зі штучною бджолою, нарешті, призводить до появи у групі глобального оптимального значення з вищою швидкістю збіжності. У статті розглядається метод розв’язання задачі оптимізації, на основі моделювання поведінки бджолиної колонії. Опис моделі поведінки агентів розвідників та агентів фуражиров, механізми пошуку та вибір позицій у заданій околиці. Наведено загальну структуру оптимізаційного процесу. Також наведені графічні результати, які доводять можливість методу бджолиної колонії оптимізувати результати, тобто зі всій множені джерел інформації, метод бджолиної колонії шляхом оптимізації може значно обмежувати кількість джерел інформації, виявляти вузьке коло джерел у яких може бути неправдива інформація. Що у подальшому дозволить з більшою достовірністю розпізнавати саме джерела з неправдивою інформацією та заблокувати їх.