նախընտրելի դարձնել
Ռուսաստանցի հետազոտողները սմարթ ցանցերում անոմալիաների հայտնաբերման նոր մոտեցում են ներկայացրել՝ հիմնված մեքենայական ուսուցման մեթոդների համակցության վրա։ Մշակումը թույլ է տալիս արդյունավետ ձևով հայտնաբերել կիբերհարձակումները և կանխել էներգահամակարգերում խափանումները։
Ժամանակակից սմարթ ցանցերը, որոնք ապահովում են էներգիայի բաշխված գեներացիա, բախվում են կիբերանվտանգության աճող սպառնալիքների: Պաշտպանության ավանդական մեթոդները հաճախ անբավարար են դառնում, ինչը նոր լուծումներ է պահանջում, գրում է Naked Science-ը։ Գիտնականները լայնածավալ հետազոտություն են անցկացրել՝ համեմատելով մեքենայական ուսուցման տարբեր ալգորիթմների արդյունավետությունը էներգահամակարգերում անոմալիաների հայտնաբերման համար։
Հետազոտողները առաջարկել են օգտագործել մեթոդների համակցում, այդ թվում՝ Isolation Forest, LOF, k-միջին և One-Class SVM, ինչը թույլ է տալիս պաշտպանական համակարգը հարմարեցնել բեռնվածքի փոփոխվող պայմաններին: Առանձնահատուկ ուշադրություն է դարձվում Isolation Forest մեթոդին, որն ամենաբարձր ճշգրտությունն է դրսևորել կիբերհարձակումներին բնորոշ կտրուկ փոփոխությունները հայտնաբերելու հարցում:
Isolation Forest մեթոդը դրսևորում է լավագույն արդյունքները կիբերհարձակումների հետ կապված կտրուկ անոմալիաների հայտնաբերման գործում՝ ապահովելով բարձր ճշգրտություն և նվազագույն կեղծ արդյունքներ:
Փորձերը ցույց են տվել, որ Isolation Forest-ը ամենաարդյունավետն է կիբեր հարձակումները հայտնաբերելու համար: LOF-ը հայտնաբերում է փոքր շեղումները, սակայն պահանջում է լրացուցիչ գործիքներ՝ կեղծ արդյունքները նվազեցնելու համար: One-Class SVM-ն օգտակար է ինչպես կտրուկ, այնպես էլ սահուն փոփոխությունները հայտնաբերելու համար:
