Бібліотека Київського столичного університету імені Бориса Грінченка

Головна

Спрощенний режим

Посібник користувача

Бази даних

Електронний каталог бібліотеки- результати пошуку

Вид пошуку

Електронний каталог бібліотеки

Каталог авторефератів та дисертацій

Грінченкознавство

Рідкісні та цінні видання

Українська Аудіокнига

Мережеві ресурси

Наукові періодичні видання Університету

Зона пошуку

Знайдено у інших БД:

Мережеві ресурси (1)

Формат представлення знайдених документів:
повний	інформаційний	короткий

Відсортувати знайдені документи за:
автором	назвою	роком видання	типом документа

Пошуковий запит: (<.>K=класифікатори<.>)

Загальна кількість знайдених документів : 6
Показані документи с 1 за 6

Форма документа : Однотомне видання
Шифр видання : 001/Р 85
Автор(и) : Акоев М. А., Маркусова В. А., Москалева О. В., Писляков В. В.
Назва : Руководство по наукометрии: индикаторы развития науки и технологии : [монография]
Вихідні дані : Екатеринбург: ИПЦ УрФУ, 2014
Кільк.характеристики :248 с
Примітки : Указ.: с. 241-247
ISBN, Ціна 978-5-7996-1352-5: 70.00, 92.00, грн.
ДРНТІ : 12.41 + 20
УДК : 001
Предметні рубрики: Наука-- Наукознавство
Науково-інформаційна діяльність
Ключові слова (''Вільн.індекс.''): наука--науково-інформаційна діяльність--наукометрія --цитування--індекс наукового цитування--індекс хирша--класифікатори--прогноз розвитку
Примірники : всього : ГП КС(2)
Вільні : ГП КС(2)
Знайти схожі

Форма документа : Однотомне видання
Шифр видання : 025.45УДК=161.2=0/У 58-592011228
Назва : Універсальна десяткова класифікація (УДК). Алфавітно - предметний покажчик (зведений)
Вихідні дані : Київ: Книжкова палата України, 2017
Кільк.характеристики :904 с
Колективи : Державна наукова установа "Книжкова палата України імені Івана Федорова"
ISBN, Ціна 978-966-647-202-4
ISBN, Ціна 978-966-647-203-1
ДРНТІ : 13.31
УДК : 025.45УДК=161.2=030.111(083.86)
Предметні рубрики: Бібліотечна справа-- Класифікатори-- УДК
Примірники :ГП ЧЗ(1)
Вільні : ГП ЧЗ(1)
Знайти схожі

Форма документа : Однотомне видання
Шифр видання : 025.45УДК=161.2=0/У 58-383951940
Назва : Універсальна десяткова класифікація (УДК). Допоміжні та основна таблиці (станом на 2011 рік)
Вихідні дані : київ: Книжкова палата України, 2017
Кільк.характеристики :1096 с
Колективи : Державна наукова установа "Книжкова палата України імені Івана Федорова"
ISBN, Ціна 978-966-647-202-4:
ДРНТІ : 13.31
УДК : 025.45УДК=161.2=030.111(083.44)
Предметні рубрики: Бібліотечна справа-- Класифікатори-- УДК
Примірники :ГП ЧЗ(1)
Вільні : ГП ЧЗ(1)
Знайти схожі

Форма документа : Стаття із журналу
Шифр видання :
Автор(и) : Чичкарьов, Євген, Зінченко, Ольга, Бондарчук, Андрій
Назва : Метод вибору ознак для системи виявлення вторгнень з використанням ансамблевого підходу та нечіткої логіки
Місце публікування : Кібербезпека: освіта, наука, техніка: електронне наукове видання/ Київський університет імені Бориса Грінченка: Київський столичний університет імені Бориса Грінченка, 2023. - Том 1, N 21. - С. 234-251. - ISSN 2663-4023, DOI 10.28925/2663-4023.2023.21.234251 (Шифр К667665926/2023/1/21). - ISSN 2663-4023, DOI 10.28925/2663-4023.2023.21.234251
Примітки : Бібліогр. в кінці ст. - Назва з титул. екрана
Ключові слова (''Вільн.індекс.''): система виявлення вторгнень--машинне навчання--ансамблеве навчання--класифікатор--нечітка логіка--кібератака--алгоритми обрання ознак
Анотація: У дослідженні був запропонований новий метод побудови набору важливих ознак для вирішення задач класифікації. Цей метод заснований на ідеє використання ансамбля оцінювачів важливості ознак з підведенням підсумків і кінцевого результату ансамбля за допомо-гою алгоритмів нечіткої логіки. В якості оцінювачів важливості ознак було використано статистичні критерії (chi2, f_classif, коефіцієнт кореляції), критерій середнього зменшення помилок класифікації (mean decrease in impurity - MDI), критерій взаємної інформації (mutual_info_classif). Зменшення кількості ознак на усіх наборах даних впливає на точність оцінювання відповідно до критерію середнього зменшення помилок класифікації. Поки група ознак в на-борі даних для навчання містить перши за списком ознаки з найбільшим впливом, точність моделі знаходиться на початковому рівні, але при виключенні з моделі хоча б однієї з ознак з великим впливом, точність моделі помітно знижується. Найкращі результати класифікації для усіх досліджених наборів даних забезпечили класифікатори на основі дерев або найближчих сусідів: DecignTreeClassifier, ExtraTreeClassifier, KNeighborsClassifier. За рахунок виключення із моделі несуттєвих ознак досягається помітне збільшення швидкості навчання (до 60-70%). Для підвищення точності оцінювання було використано ансамблеве навчання. Найкращі показники за швидкістю навчання забезпечив класифікатор VotingClassifier, побудований на базі алгоритмів з максимальною швидкістю навчання. Для майбутньої роботи метою є подальше вдосконалення запропонованої моделі IDS в напрямках вдосконалення вибору класифікаторів для отримання оптимальних результатів, та налаштування параметрів вибраних класифікаторів, удосконалення стратегії узагальнення результатів окремих класифікаторів. Для запропонованої моделі істотний інтерес представляє можливість виявлення окремих типів атак з урахуванням багатокласового прогнозування
Перейти до зовнішнього ресурсу https://csecurity.kubg.edu.ua
Знайти схожі

Форма документа : Стаття із журналу
Шифр видання :
Автор(и) : Чичкарьов, Євген, Зінченко, Ольга, Бондарчук, Андрій
Назва : Виявлення мережевих вторгнень з використанням алгоритмів машинного навчання і нечіткої логіки
Місце публікування : Кібербезпека: освіта, наука, техніка: електронне наукове видання/ Київський університет імені Бориса Грінченка: Київський столичний університет імені Бориса Грінченка, 2023. - Том 3, N 19. - С. 209-225. - ISSN 2663-4023, DOI 10.28925/2663-4023.2023.19.209225 (Шифр К667665926/2023/19). - ISSN 2663-4023, DOI 10.28925/2663-4023.2023.19.209225
Примітки : Бібліогр. в кінці ст. - Назва з титул. екрана
Ключові слова (''Вільн.індекс.''): система виявлення вторгнень--машинне навчання--ансамблеве навчання--класифікатор--нечітка логіка--кібератака--алгоритми обрання ознак
Анотація: У дослідженні була запропонована модель системи виявлення вторгнень на основі машинного навчання з використанням вибору ознак у великих наборах даних на основі методів ансамблевого навчання. Для вибору необхідних ознак було використано статистичні тести та нечіткі правила. При виборі базового класифікатора було досліджено поведінку 8 алгоритмів машинного навчання. Запропонована система забезпечила скорочення часу виявлення вторгнень (до 60%) та високий рівень точності виявлення атак. Найкращі результати класифікації для усіх досліджених наборів даних забезпечили класифікатори на основі дерев: DecignTreeClassifier, ExtraTreeClassifier, RandomForestClassifier. При відповідному налаштуванні обрання Stacking або Bagging класифікатора для навчання моделі з використанням усіх наборів даних забезпечує невеличке підвищення точності класифікацій, але суттєво збільшує час навчання(більш ніж на порядок, в залежності від базових класифікаторів або кількості підмножин даних). При збільшенні кількості спостережень в наборі даних для навчання ефект зростання часу навчання стає більш помітним. Найкращі показники за швидкістю навчання забезпечив класифікатор VotingClassifier, побудований на базі алгоритмів з максимальною швидкістю навчання і достатньою точністю класифікації. Час навчання класифікатора з використанням FuzzyLogic практично не відрізняється від часу навчання вотуючого класифікатора (більше приблизно на 10-15%). Вплив кількості ознак на час навчання класифікаторів і ансамбля VotingClassifier залежить від поведінки базових класифікаторів. Для ExtraTreeClassifier час навчання слабко залежить від кількості ознак. Для DesignTree або KNeibors (і, як наслідок, для класифікатора Voting в цілому) час навчання помітно зростає зі збільшенням кількості ознак. Зменшення кількості ознак на усіх наборах даних впливає на точність оцінювання відповідно до критерію середнього зменшення помилок класифікації. Поки група ознак в наборі даних для навчання містить перши за списком ознаки з найбільшим впливом, точність моделі знаходиться на початковому рівні, але при виключенні з моделі хоча б однієї з ознак з великим впливом, точність моделі стрибкоподібно знижується
Перейти до зовнішнього ресурсу https://csecurity.kubg.edu.ua
Знайти схожі

Форма документа : Стаття із журналу
Шифр видання :
Автор(и) : Цзян, Сюе, Лахно, Валерій, Сагун, Андрій
Назва : Дослідження диференціального криптоаналізу на основі глибокого навчання
Місце публікування : Кібербезпека: освіта, наука, техніка: електронне наукове видання/ Київський університет імені Бориса Грінченка. - 2024. - Том 3, N 23. - С. 97-109. - ISSN 2663-4023, DOI 10.28925/2663-4023.2024.23.97109 (Шифр К667665926/2024/3/23). - ISSN 2663-4023, DOI 10.28925/2663-4023.2024.23.97109
Примітки : Бібліогр. в кінці ст.
Ключові слова (''Вільн.індекс.''): глибоке навчання--диференціальний криптоаналіз--диференціальні класифікатори--згорнута нейронна мережа
Анотація: В епоху глобального домінування комп’ютерних систем та мереж криптографія є життєво важливим засобом захисту інформації, а безпека криптографічного захисту має вирішальне значення. Технологія глибокого навчання нещодавно досягла значних успіхів у таких сферах, як класифікація зображень і обробка природної мови, викликаючи значний інтерес у дослідників. Порівняно з класичними криптографічними алгоритмами, сучасні блокові шифри є складнішими, а відображення між відкритим текстом і зашифрованим текстом менш чіткі. Це робить вилучення функцій відкритого тексту із зашифрованих текстів нейронними мережами майже неможливим. Однак симбіоз глибокого навчання та традиційного диференційного криптоаналізу є перспективним для підвищення ефективності криптоаналізу. Таким чином, інтеграція теорії та методів глибокого навчання в область криптографії стає важливою тенденцією технологічного прогресу. У цьому контексті криптоаналіз стрімко розвивається у напрямку інтелектуалізації та автоматизації. Відповідно у цьому напрямку зростає кількість дослідників, які використовують глибоке навчання для покращення розв’язання криптоаналітичних завдань. Мета цієї оглядової роботи — заглибитися у поточні тенденції досліджень навколо диференціального криптоаналізу з підтримкою глибокого навчання. Він починається з ретельного повторення диференційного аналізу в криптографії та представляє загальні моделі глибокого навчання разом із їхніми характеристиками. Крім того, він інкапсулює дизайн диференціальних класифікаторів на основі глибокого навчання, включаючи різні методи оптимізації, що використовуються в цих алгоритмах. У документі також визначені напрямки майбутніх досліджень. Попри означені проблеми, глибоке навчання має величезний потенціал у зміцненні традиційного диференційного криптоаналізу, забезпечуючи більш глибоке розуміння для аналізу безпеки та стратегій реагування, а також слугуючи цінним та перспективним інструментом для розробки та оцінки майбутніх криптографічних рішень.
Перейти до зовнішнього ресурсу https://csecurity.kubg.edu.ua
Знайти схожі

© Міжнародна Асоціація користувачів і розробників електронних бібліотек і нових інформаційних технологій
(Асоціація ЕБНІТ)