Using the EM-algorithm to Approximate the Distribution of a Mixture by Hyperexponents

Buranova, Marina; Ergasheva, Dinara; Kartashevskiy, Vyacheslav

doi:10.1109/ent47717.2019.9030551

Cited by 7 publications

(1 citation statement)

References 3 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Результаты машинного обучения используются в качестве входных данных для DT [16], выбирая некоторые характеристики данных. Они также помогают оценивать различные виды правил неопределенности и избыточности [17].…”

Section: техники машинного обученияunclassified

Анализ Методов Машинного Обучения Для Решения Задач Информационной Безопасности В Сети SDN

Буранова,

Лишаев,

Тулупова

2023

Анализ Методов Машинного Обучения Для Решения Задач Информационной Безопасности В Сети SDN

View full text Add to dashboard Cite

АНАЛИЗ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ РЕШЕНИЯ ЗАДАЧ ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ В СЕТИ SDN Буранова Марина Анатольевна д.т.н., доцент, профессор кафедры информационной безопасности Лишаев Юрий Игоревич студент факультета оптических и квантовых коммуникаций Тулупова Ирина Сергеевна студент факультета кибербезопасности и управления ФГБОУ ВО «Поволжский государственный университет телекоммуникаций и информатики» Аннотация: Важной задачей в области инфокоммуникаций на этапе проектирования является увеличение производительности сети. Для достижения этой цели могут служить программно-конфигурируемые сети (SDN) с виртуализацией сетевых функций (SDNFV). При этом сохранение пропускной способности связано с обеспечением информационной безопасности. Важным преимуществом SDN является разделение плоскостей данных и управления, что позволяет обрабатывать все большее количество угроз, ограничивая вредоносные сетевые подключения на этапе коммутации. Роль контроллера SDN заключается в разработке набора правил и руководств для предотвращения опасных сетевых подключений. При этом существует множество угроз, на которые не всегда можно адекватно отреагировать. Алгоритмы машинного обучения могут быть эффективно использованы для идентификации потенциально вредоносных подключений и возможных информационных атак. В том числе, на основе традиционных сетевых данных применяются алгоритмы, использующие байесовский классификатор (Байесовские сети -BayesNet), наивный Байесовский классификатор (Naive-РАЗВИТИЕ НАУКИ И ОБРАЗОВАНИЯ В УСЛОВИЯХ ГЛОБАЛЬНОЙ ТРАНСФОРМАЦИИ 142 МЦНП «НОВАЯ НАУКА» Bayes), алгоритм построения дерева решений -C4.5 и таблицы принятия решений (Decision Table -DT).

show abstract

Section: техники машинного обученияunclassified