NOVEL METHODS FOR DETECTING ANOMALIES IN INFORMATION COMMUNICATION SYSTEMS
Ключевые слова:
Обнаружение аномалий, информационно-коммуникационные системы, машинное обучение, глубокое обучение, гибридные модели, трансферное обучение, федеративное обучение, объяснимый ИИ, мониторинг в реальном времени, кибербезопасностьАннотация
С увеличением сложности ИСУ возрастают и проблемы безопасности. Аномалии могут указывать на сбои или кибератаки, поэтому их раннее обнаружение крайне важно. Традиционные статистические и пороговые методы недостаточно эффективны в динамической среде ИСУ. Методы, основанные на ML и DL, включая опорные векторные машины, автоэнкодеры и рекуррентные нейронные сети, повышают точность и адаптивность. Однако во многих случаях они требуют высоких вычислительных ресурсов. Трансферное обучение, федеративное обучение и XAI помогают преодолеть эти ограничения. В данной работе анализируются и сравниваются традиционные и новые подходы.
Библиографические ссылки
Gjorgjievska Perusheska, Milena & Dimitrova, Vesna. (2023). Application of Machine Learning in Intrusion Detection Systems. 10.1007/978-3-031-37717-4_86.
Abu Musa, Tahani & Bouras, Abdelaziz. (2022). Anomaly Detection: A Survey. 10.1007/978-981-16-2102-4_36.
Zhang, Y., Wang, Z., & Jin, H. (2019) - Network Intrusion Detection Based on Improved DGA and VAE
Dey, Samrat & Rahman, Md. Mahbubur. (2018). Flow Based Anomaly Detection in Software Defined Networking: A Deep Learning Approach With Feature Selection Method. 630-635. 10.1109/CEEICT.2018.8628069.
Ali, Mohamed & Al-berry, Maryam & Taha, Zaki. (2021). Convolutional Autoencoder for Anomaly Detection in Crowded Scenes. 10.1007/978-3-030-76346-6_55.
Kopčan, Jaroslav & Skvarek, Ondrej & Klimo, Martin. (2021). Anomaly detection using Autoencoders and Deep Convolution Generative Adversarial Networks. Transportation Research Procedia. 55. 1296-1303. 10.1016/j.trpro.2021.07.113.
Vishwakarma, Pawan Kumar & Suyambu, Muthuvel. (2024). Data Analytics In Smart Grid With Renewable Energy Integration. 10. 1-10.
Xiao, Qingsai & Liu, Jian & Wang, Quiyun & Jiang, Zhengwei & Wang, Xuren & Yao, Yepeng. (2020). Towards Network Anomaly Detection Using Graph Embedding. 10.1007/978-3-030-50423-6_12.
Arqane, Aouatif & Boutkhoum, Omar & Boukhriss, Hicham & Moutaouakkil, Abdelmajid. (2022). Intrusion Detection System using Ensemble Learning Approaches: A Systematic Literature Review. International Journal of Online and Biomedical Engineering (iJOE). 18. 160-175. 10.3991/ijoe.v18i13.33519.
Shahriar, Md Hasan & Haque, Nur Imtiazul & Rahman, Mohammad & Alonso Jr, Miguel. (2020). G-IDS: Generative Adversarial Networks Assisted Intrusion Detection System. 10.48550/arXiv.2006.00676.
S. Aburakhia, T. Tayeh, R. Myers and A. Shami, "A Transfer Learning Framework for Anomaly Detection Using Model of Normality," 2020 11th IEEE Annual Information Technology, Electronics and Mobile Communication Conference (IEMCON), Vancouver, BC, Canada, 2020, pp. 0055-0061, doi: 10.1109/IEMCON51383.2020.9284916.
Rane, Jayesh & Mallick, Suraj & Kaya, Ömer & Rane, Nitin. (2024). Federated learning for edge artificial intelligence: Enhancing security, robustness, privacy, personalization, and blockchain integration in IoT. 10.70593/978-81-981271-0-5_3.
Sharma, Jeetesh & Mittal, Murari & Soni, Gunjan. (2023). Explainable artificial intelligence (XAI) enabled anomaly detection and fault classification of an industrial asset. 10.21203/rs.3.rs-2780708/v1.
Загрузки
Дополнительные файлы
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Sodiq Jumayev, Sherzod G‘ulomov
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
