|
Advances in the Internet of Things (IoT) va aviatsiya sektoridagi yutuqlar aqlli aeroportlarning paydo bo'lishiga olib keldi
|
| bet | 21/31 | | Sana | 11.12.2023 | | Hajmi | 100,7 Kb. | | #115597 |
Bog'liq uqib chiq (1)11111 (Автосохраненный)VI bo'lim.
Aqlli aeroportlarda sun'iy intellektga asoslangan kibermudofaa
Mashinani o'rganish sohasini rivojlantirish va kengaytirishdan oldin, kiberxavfsizlikni skanerlash va audit tizimning har bir jihatini (jumladan, manba kodi, jurnallar, tarmoq portlari) ko'rib chiqqan mutaxassislarga tayangan holda (va ba'zi hollarda hali ham) qo'lda bajariladigan jarayon edi. , xavfsizlikning zaif tomonlarini aniqlash va yumshatish va yechimlarni taqdim etish uchun [134]– [ 136]. Inson xatosi ehtimolini bartaraf etish uchun avtomatlashtirilgan xavfsizlik vositalari ishlab chiqildi, ularning aksariyati zararli dastur xeshlaridan foydalanadigan ekspertlar tomonidan ishlab chiqilgan qoidalar va imzoga asoslangan skanerlashga tayanadi. Biroq, so'nggi ishlarda tadqiqotchilar kiberxavfsizlik vositalarini ishlab chiqishda mashinani o'rganish (ML) va sun'iy intellekt (AI) qiymatini ta'kidladilar [137]-[ 139 ]. Ushbu bo'limda biz kiberxavfsizlik sharoitida sun'iy intellektdan qanday foydalanish mumkinligini, AI tomonidan quvvatlanadigan mavjud ilovalar va imzo va qoidalarga asoslangan vositalar bilan solishtirganda uning kuchli tomonlarini muhokama qilamiz.
A. AIga asoslangan kiberxavfsizlik ilovalari
Aslini olganda, AI mantiqni ifodalovchi va muammolarni hal qiladigan algoritmlarni o'rganadigan intizomdir. AI rivojlanishining asosiy motivatsiyasi matematika, statistika va mantiqdan foydalanish orqali insonga o'xshash aqlni simulyatsiya qilishdir. AI bir nechta kichik fanlarni, jumladan, ML va qoidalarga asoslangan ekspert tizimlarini o'z ichiga oladi, har bir kichik intizom aqlli xatti-harakatlarni taqlid qilish uchun boshqa metodologiyani ta'minlaydi. ML dan oldingi AI tizimining misoli, ko'pincha mutaxassis tomonidan ishlab chiqilgan va ekspert tizimlari (yoki qoidalar dvigatellari) deb ataladigan if-then-alse bayonotlari to'plamidir [140]. Mutaxassis qoidalariga asoslangan tizimlar - bu zararli tarmoq trafigini aniqlash yoki soliqlarni qayta ishlash kabi ba'zi vazifalarni bajarish uchun qattiq kodli qoidalarga mutaxassislarga (tizim qo'llaniladigan sohada) tayanadigan bilimlarning statik ifodasidir. .
AIning kichik to'plami, ML - bu ma'lumotlardan dinamik ravishda "o'rganish" va ma'lumotlarga asoslangan yangi ogohlantirishlarga moslashish uchun bilimlarni ifodalovchi ichki holatini (qiymatlarini) o'zgartirishga qodir bo'lgan modellar to'plamidir [140]. MLni nazorat ostida oʻrgatish mumkin, bu yerda maʼlumotlar nazoratsiz saralanadi va yorliqlanadi, bu yerda ML modeli oʻxshashlik asosida munosabatlarni aniqlaydi va guruhlar tuzadi, yarim nazorat qilinadi, bu yerda yorliqli misollarning kichik soni koʻproq yorliqsiz maʼlumotlar bilan birlashtiriladi. yoki kiritilgan ma'lumotlar yorliqlanmagan va o'quv jarayoni o'yin sifatida shakllanadigan mustahkamlovchi o'rganish orqali, bu erda model uning chiqishi asosida mukofotlanadi yoki jazolanadi [141], [142]. Bundan tashqari, ML algoritmlari ma'lumotlarga bo'lgan talablari, chiqishi va foydalanish holatlari asosida tasniflash, klasterlash va regressiyaga bo'linadi [140], [143].
Tasniflash algoritmlari kirish va chiqish ma'lumotlari o'rtasidagi munosabatlarni o'zlashtiradigan modellarni o'rgatish uchun etiketli ma'lumotlarga (chiqish ma'lum bo'lgan) tayanadi, chiqish bir nechta mumkin bo'lgan va oldindan belgilangan sinflardan biridir. Tasniflash algoritmlariga Bayes teoremasiga tayanadigan Naif Bayes kabi ehtimoliy tasniflagichlar, har bir filialdagi boʻlinish holatini hal qilish uchun noaniqlikning baʼzi oʻlchovlariga (masalan, entropiya) tayanadigan qaror daraxtlari kabi daraxtga asoslangan tasnif va sunʼiy neyron tarmoqlar kiradi. neyronlar deb ataladigan bir nechta birliklarga tayanadi, ular qatlamlar deb ataladigan guruhlarga bo'linadi, bir qatlamdagi neyronlar keyingi qatlamning neyronlari bilan bog'lanadi va og'irliklarga ega bo'lgan ulanishlar har bir neyron uchun egilish qiymati bilan birga belgilanadi va trening davomida tuzatilgan.
Klasterlash algoritmlari yorliqsiz ma'lumotlarni kirish sifatida qabul qiladi va masofaning ba'zi o'lchovlari (masalan, Evklid, Manxetten, Xemming kabi) asosida ilgari noma'lum sinflarni aniqlashga harakat qiladi [144]. Aslida, klasterlash algoritmi o'xshash ma'lumotlarning guruhlarini aniqlashga intiladi, bunda bitta klasterdagi ma'lumotlar nuqtasi bir xil klasterning boshqa ma'lumotlar nuqtalariga ko'proq o'xshaydi va boshqa klasterlarga kamroq o'xshaydi. Klasterlash algoritmlari boshqa ma'lumotlar nuqtalari bilan masofani hisoblash va klasterlarni shakllantirish uchun xayoliy centroidlardan foydalanadigan K-vositalari kabi Centroid modellarini va kuzatuvlarni tobora kattaroq guruhlarga (Agglomerativ) birlashtirish yoki butun ma'lumotlarni bo'lish orqali klasterlar ierarxiyasini yaratishga intiladigan ierarxik modellarni o'z ichiga oladi. tobora kichikroq guruhlarga (bo'linuvchi). Regressiya modellari tasniflash modellariga o'xshaydi, chunki ular kiritilgan ma'lumotlarga asoslangan qiymatni bashorat qilishadi, ammo chiqish bir nechta (ikki yoki undan ortiq) oldindan belgilangan sinflardan biri bo'lgan oddiy tasniflashdan farqli o'laroq, regressiya doimiy qiymatni bashorat qilish vazifasini bajaradi. 145]. Regressiya algoritmlariga Lineer regressiya, Logistic regression, LASSO va Support Vector Machines kiradi.
Chuqur o'rganish (DL) - bu sun'iy intellekt va MLning pastki toifasi, aniqrog'i, ANNning ma'lum bir kichik to'plami. Neyron tarmoqlari (NN) uchun asl ilhom inson miyasidan, xususan, sinapslar (dendritlar ustida joylashgan) va akson deb ataladigan bir nechta kiruvchi ulanishlardan tashkil topgan neyron hujayralaridan keladi [146]. Bir nechta neyronlar bir-biriga, aksonlar sinapslarga ulanadi va shu bilan murakkab tarmoqni hosil qiladi, bu erda ma'lumot elektr tokini (qiymati 1 ga ekvivalent) yoki harakatsiz qolgan (qiymat ekvivalenti 0) neyronlar tomonidan ifodalanadi, saqlanadi va qayta ishlanadi. Oddiy NN-larni DL-dan ajratib turadigan narsa bu arxitektura. Xususan, "chuqur" arxitekturaga ega bo'lgan, ya'ni ko'p sonli neyronlar va bir nechta qatlamlardan iborat bo'lgan NNlarni DL toifasiga kiritish mumkin, garchi NN uchun qancha qatlam yoki neyron kerakligini aniqlash uchun qat'iy qoida mavjud emas. “chuqur” deb hisoblanishi uchun [147].
Chuqur NN (DNN) dagi har bir neyron oldingi qatlamlardan (yoki asl kirishdan) ma'lum ma'lumotlarni oladi, chiziqli transformatsiyani qo'llaydi, kirishni og'irliklarga ko'paytiradi va egilish faktorini qo'shadi, bu chiziqli transformatsiyani faollashtirish funktsiyasi orqali tahlil qiladi va buni etkazib beradi. keyingi qatlamga oxirgi chiqish. DNNlar kuchli modellar bo'lib, ular odatda modelning ishlashini yaxshilash uchun katta ma'lumotlar to'plamini (Katta ma'lumotlar), ko'plab xotira va ishlov berish resurslarini (odatda neyronlar orasidagi ulanishlar soniga qarab) talab qiladi [148], [149]. Ommabop DNN modellari orasida Recurrent Neyron Networks (RNN) va Long-Short Term Memory RNN (LSTM/RNN) mavjud bo'lib, ular kelajakda bashorat qilish uchun oldingi ma'lumotlar kiritish nuqtalari xotirasidan foydalanadi, chuqur e'tiqod tarmoqlari (DBN), asosan ishlatiladigan konvolyutsion neyron tarmoqlari. tasvirni aniqlash va tasniflash va chuqur ko'p qatlamli perseptronlar (MLP). AI, ML va DL munosabatlarini 7-rasmda ko'rish mumkin.
|
|
Bosh sahifa
Aloqalar
Bosh sahifa
Advances in the Internet of Things (IoT) va aviatsiya sektoridagi yutuqlar aqlli aeroportlarning paydo bo'lishiga olib keldi
|
