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

001
Р 85

Руководство по наукометрии: индикаторы развития науки и технологии : [монография] / М. А. Акоев [и др.] ; под ред. М. А. Акоева. - Екатеринбург : ИПЦ УрФУ, 2014. - 248 с. - Указ.: с. 241-247. - ISBN 978-5-7996-1352-5 : 70.00 грн., 92.00 грн.

ДРНТІ	12.41	20
УДК	001

Рубрики: Наука--Наукознавство--Монографії

Науково-інформаційна діяльність--Монографії

Кл.слова (ненормовані):
наука -- науково-інформаційна діяльність -- наукометрія -- цитування -- індекс наукового цитування -- індекс Хирша -- класифікатори -- прогноз розвитку
Дод.точки доступу:
Акоев, М. А.
Маркусова, В. А.
Москалева, О. В.
Писляков, В. В.
Акоев, М. А. \ред.\

Примірників всього: 2
Вул. Левка Лук'яненка, 13-Б Книгосховище (2)
Вільні:
Вул. Левка Лук'яненка, 13-Б Книгосховище (2)

Знайти схожі

025.45УДК=161.2=030.111(083.44)
У 58

Універсальна десяткова класифікація (УДК). Допоміжні та основна таблиці (станом на 2011 рік) [Текст] / Державна наукова установа "Книжкова палата України імені Івана Федорова" ; перекладач, підгот. вид. М. Й. Ахвердова ; гол. редактор Н. О. Сенченко. - київ : Книжкова палата України, 2017. - 1096 с. - ISBN 978-966-647-202-4 : 2090.00 грн.

ДРНТІ	13.31
УДК	025.45УДК=161.2=030.111(083.44)

Рубрики: Бібліотечна справа--Класифікатори--УДК

Дод.точки доступу:
Ахвердова, М. Й. \перекладач, підгот. вид.\
Сенченко, Н. О. \гол. редактор.\
Державна наукова установа "Книжкова палата України імені Івана Федорова"

Примірників всього: 1
Вул. Левка Лук'яненка, 13-Б Читальний зал (1)
Вільні:
Вул. Левка Лук'яненка, 13-Б Читальний зал (1)

Знайти схожі

025.45УДК=161.2=030.111(083.86)
У 58

Універсальна десяткова класифікація (УДК). Алфавітно - предметний покажчик (зведений) [Текст] / Державна наукова установа "Книжкова палата України імені Івана Федорова" ; гол. редактор М. І. Сенченко ; підгот. вид. М. Й. Ахвердова. - Київ : Книжкова палата України, 2017. - 904 с. - ISBN 978-966-647-202-4. - ISBN 978-966-647-203-1 : 1870.00 грн.

ДРНТІ	13.31
УДК	025.45УДК=161.2=030.111(083.86)

Рубрики: Бібліотечна справа--Класифікатори--УДК

Дод.точки доступу:
Сенченко, М. І. \гол. редактор.\
Ахвердова, М. Й. \підгот. вид.\
Державна наукова установа "Книжкова палата України імені Івана Федорова"

Примірників всього: 1
Вул. Левка Лук'яненка, 13-Б Читальний зал (1)
Вільні:
Вул. Левка Лук'яненка, 13-Б Читальний зал (1)

Знайти схожі

Цзян, Сюе.
Дослідження диференціального криптоаналізу на основі глибокого навчання / С. Цзян, В. Лахно, А. Сагун // Кібербезпека: освіта, наука, техніка : електронне наукове видання. - 2024. - Том 3, N 23. - С. 97-109, DOI 10.28925/2663-4023.2024.23.97109. - Бібліогр. в кінці ст. . - ISSN 2663-4023

Кл.слова (ненормовані):
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

Дод.точки доступу:
Лахно, Валерій
Сагун, Андрій

Є примірники у відділах: всього 1 : Online (1)
Вільні: Online (1)

Знайти схожі

Чичкарьов, Євген.
Метод вибору ознак для системи виявлення вторгнень з використанням ансамблевого підходу та нечіткої логіки [Електронний ресурс] / Є. Чичкарьов, О. Зінченко, А. Бондарчук // Кібербезпека: освіта, наука, техніка : електронне наукове видання. - 2023. - Том 1, N 21. - С. 234-251, DOI 10.28925/2663-4023.2023.21.234251. - Бібліогр. в кінці ст. . - ISSN 2663-4023

Кл.слова (ненормовані):
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

Дод.точки доступу:
Зінченко, Ольга
Бондарчук, Андрій

Є примірники у відділах: всього 1 : Online (1)
Вільні: Online (1)

Знайти схожі

Чичкарьов, Євген.
Виявлення мережевих вторгнень з використанням алгоритмів машинного навчання і нечіткої логіки [Електронний ресурс] / Є. Чичкарьов, О. Зінченко, А. Бондарчук // Кібербезпека: освіта, наука, техніка : електронне наукове видання. - 2023. - Том 3, N 19. - С. 209-225, DOI 10.28925/2663-4023.2023.19.209225. - Бібліогр. в кінці ст. . - ISSN 2663-4023

Кл.слова (ненормовані):
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

Дод.точки доступу:
Зінченко, Ольга
Бондарчук, Андрій

Є примірники у відділах: всього 1 : Online (1)
Вільні: Online (1)

Знайти схожі

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