检测带有能源设施的分布式计算机系统中的网络流量异常情况

С. І. Шаповалова, С. В. Матях, В. М. Тітов
{"title":"检测带有能源设施的分布式计算机系统中的网络流量异常情况","authors":"С. І. Шаповалова, С. В. Матях, В. М. Тітов","doi":"10.36296/1819-8058.2024.2(77).52-57","DOIUrl":null,"url":null,"abstract":"У роботі описано дослідження, метою яких є визначення моделі машинного навчання для експрес-аналізу мережевого трафіку в розподіленій комп’ютерній системі управління об’єктами децентралізованої генерації на основі відновлюваної енергетики. Розглянуто наявні засоби моніторингу процесів у комп’ютерній мережі. Представлено задачу виявлення аномалій мережевого трафіку як задачу бінарної класифікації. Вхідні дані моделі представлено 10 ознаками, які визначені на основі методу RFE за результатами проведених обчислювальних експериментів з класифікації за прикладами датасету Network Intrusion Detection. Для визначення оптимальної моделі було досліджено як нейромережеві моделі MLP, RNN, LSTM, так і традиційні моделі машинного навчання KNN, Logistic Regression, Decision Tree, GBM. Налаштовано та проведено навчання реалізацій цих моделей з ресурсів Scikit-learn, TensorFlow. За результатами обчислювальних експериментів визначено оптимальні за точністю моделі для виявлення аномалій мережевого трафіку в розподіленій комп’ютерних системах LSTM (F1 score: 0,97 на тестовій виборці, 0,95 – у робочому режимі) та RNN (F1 score: 0,97 на тестовій виборці, 0,94 – у робочому режимі). Випробовування показали, що передбачення аномалій RNN або LSTM при передачі пакету не змінює порядок часу відносно передачі без передбачення. Використання визначених моделей машинного навчання для побудови підсистем виявлення аномалій мережевого трафіку в системах розподіленої генерації електричної енергії на основі відновлюваних джерел дозволить підвищити стійкість до відмов та форс-мажорних ситуацій, ефективність їх роботи, особливо враховуючи виклики до роботи енергетичної системи України під час війни.","PeriodicalId":427916,"journal":{"name":"Vidnovluvana energetika","volume":"108 3","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2024-07-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"ВИЗНАЧЕННЯ АНОМАЛІЙ МЕРЕЖЕВОГО ТРАФІКУ В РОЗПОДІЛЕНІЙ КОМП’ЮТЕРНІЙ СИСТЕМІ З ЕНЕРГЕТИЧНИМИ ОБ’ЄКТАМИ\",\"authors\":\"С. І. Шаповалова, С. В. Матях, В. М. Тітов\",\"doi\":\"10.36296/1819-8058.2024.2(77).52-57\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"У роботі описано дослідження, метою яких є визначення моделі машинного навчання для експрес-аналізу мережевого трафіку в розподіленій комп’ютерній системі управління об’єктами децентралізованої генерації на основі відновлюваної енергетики. Розглянуто наявні засоби моніторингу процесів у комп’ютерній мережі. Представлено задачу виявлення аномалій мережевого трафіку як задачу бінарної класифікації. Вхідні дані моделі представлено 10 ознаками, які визначені на основі методу RFE за результатами проведених обчислювальних експериментів з класифікації за прикладами датасету Network Intrusion Detection. Для визначення оптимальної моделі було досліджено як нейромережеві моделі MLP, RNN, LSTM, так і традиційні моделі машинного навчання KNN, Logistic Regression, Decision Tree, GBM. Налаштовано та проведено навчання реалізацій цих моделей з ресурсів Scikit-learn, TensorFlow. За результатами обчислювальних експериментів визначено оптимальні за точністю моделі для виявлення аномалій мережевого трафіку в розподіленій комп’ютерних системах LSTM (F1 score: 0,97 на тестовій виборці, 0,95 – у робочому режимі) та RNN (F1 score: 0,97 на тестовій виборці, 0,94 – у робочому режимі). Випробовування показали, що передбачення аномалій RNN або LSTM при передачі пакету не змінює порядок часу відносно передачі без передбачення. Використання визначених моделей машинного навчання для побудови підсистем виявлення аномалій мережевого трафіку в системах розподіленої генерації електричної енергії на основі відновлюваних джерел дозволить підвищити стійкість до відмов та форс-мажорних ситуацій, ефективність їх роботи, особливо враховуючи виклики до роботи енергетичної системи України під час війни.\",\"PeriodicalId\":427916,\"journal\":{\"name\":\"Vidnovluvana energetika\",\"volume\":\"108 3\",\"pages\":\"\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2024-07-01\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Vidnovluvana energetika\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.36296/1819-8058.2024.2(77).52-57\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Vidnovluvana energetika","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.36296/1819-8058.2024.2(77).52-57","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0

摘要

本文介绍了一项研究,旨在确定一种机器学习模型,用于快速分析分布式计算机系统中的网络流量,以管理基于可再生能源的分散式发电设施。本文考虑了现有的计算机网络进程监控手段。以二进制分类任务的形式提出了检测网络流量异常的问题。模型的输入数据由 10 个特征表示,这些特征是根据使用网络入侵检测数据集实例进行分类的计算实验结果,在 RFE 方法的基础上确定的。为了确定最佳模型,研究了神经网络模型 MLP、RNN、LSTM 和传统机器学习模型 KNN、逻辑回归、决策树、GBM。使用 Scikit-learn 和 TensorFlow 资源配置和训练了这些模型的实现。根据计算实验结果,在分布式计算机系统中检测网络流量异常的最佳模型是 LSTM(在测试样本上的 F1 得分为 0.97,在工作模式下为 0.95)和 RNN(在测试样本上的 F1 得分为 0.97,在工作模式下为 0.94)。测试表明,在数据包传输过程中使用 RNN 或 LSTM 预测异常情况与不进行预测的传输相比,不会改变时间顺序。特别是考虑到战争期间乌克兰能源系统的运行所面临的挑战,使用已确定的机器学习模型来构建子系统,以检测基于可再生能源的分布式发电系统中的网络流量异常,将提高其对故障和不可抗力的应变能力以及运行效率。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
查看原文
分享 分享
微信好友 朋友圈 QQ好友 复制链接
本刊更多论文
ВИЗНАЧЕННЯ АНОМАЛІЙ МЕРЕЖЕВОГО ТРАФІКУ В РОЗПОДІЛЕНІЙ КОМП’ЮТЕРНІЙ СИСТЕМІ З ЕНЕРГЕТИЧНИМИ ОБ’ЄКТАМИ
У роботі описано дослідження, метою яких є визначення моделі машинного навчання для експрес-аналізу мережевого трафіку в розподіленій комп’ютерній системі управління об’єктами децентралізованої генерації на основі відновлюваної енергетики. Розглянуто наявні засоби моніторингу процесів у комп’ютерній мережі. Представлено задачу виявлення аномалій мережевого трафіку як задачу бінарної класифікації. Вхідні дані моделі представлено 10 ознаками, які визначені на основі методу RFE за результатами проведених обчислювальних експериментів з класифікації за прикладами датасету Network Intrusion Detection. Для визначення оптимальної моделі було досліджено як нейромережеві моделі MLP, RNN, LSTM, так і традиційні моделі машинного навчання KNN, Logistic Regression, Decision Tree, GBM. Налаштовано та проведено навчання реалізацій цих моделей з ресурсів Scikit-learn, TensorFlow. За результатами обчислювальних експериментів визначено оптимальні за точністю моделі для виявлення аномалій мережевого трафіку в розподіленій комп’ютерних системах LSTM (F1 score: 0,97 на тестовій виборці, 0,95 – у робочому режимі) та RNN (F1 score: 0,97 на тестовій виборці, 0,94 – у робочому режимі). Випробовування показали, що передбачення аномалій RNN або LSTM при передачі пакету не змінює порядок часу відносно передачі без передбачення. Використання визначених моделей машинного навчання для побудови підсистем виявлення аномалій мережевого трафіку в системах розподіленої генерації електричної енергії на основі відновлюваних джерел дозволить підвищити стійкість до відмов та форс-мажорних ситуацій, ефективність їх роботи, особливо враховуючи виклики до роботи енергетичної системи України під час війни.
求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
CiteScore
0.40
自引率
0.00%
发文量
0
期刊最新文献
АНАЛІЗ ПРОЦЕСІВ ПРОМЕНИСТОГО ТЕПЛООБМІНУ В ГЕЛІОПАСИВНІЙ СИСТЕМІ ПОВІТРЯНОГО ОПАЛЕННЯ «ІНСОЛАР» ЗА РАХУНОК СОНЯЧНОГО ВИПРОМІНЮВАННЯ АНАЛІЗ МЕТОДІВ ІНТЕНСИФІКАЦІЇ ТЕПЛООБМІНУ В СОНЯЧНИХ КОЛЕКТОРАХ З ВІЛЬНИМ РЕЖИМОМ ЦИРКУЛЯЦІЇ ТЕПЛОНОСІЯ ІНВЕСТИЦІЇ В СОНЯЧНУ ЕНЕРГЕТИКУ В ДЕЦЕНТРАЛІЗОВАНІЙ ЕНЕРГОСИСТЕМІ ЯК ЧИННИК ЗМІЦНЕННЯ ЕНЕРГЕТИЧНОЇ БЕЗПЕКИ УКРАЇНИ ПІД ЧАС ВІЙНИ АНАЛІЗ ЗМІНИ ВІДСТАНІ ЛІНЗИ ФРЕНЕЛЯ ДО КОНЦЕНТРАЦІЙНОЇ ПОВЕРХНІ ДЛЯ ЗАБЕЗПЕЧЕННЯ ФУНКЦІОНУВАННЯ ДВИГУНА СТІРЛІНГА COMBINATION OF PVT-COLLECTORS WITH USING OF CONTROLLED CONNECTIONS
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
现在去查看 取消
×
提示
确定
0
微信
客服QQ
Book学术公众号 扫码关注我们
反馈
×
意见反馈
请填写您的意见或建议
请填写您的手机或邮箱
已复制链接
已复制链接
快去分享给好友吧!
我知道了
×
扫码分享
扫码分享
Book学术官方微信
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术
文献互助 智能选刊 最新文献 互助须知 联系我们:info@booksci.cn
Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。
Copyright © 2023 Book学术 All rights reserved.
ghs 京公网安备 11010802042870号 京ICP备2023020795号-1