ПОСЛІДОВНИЙ МЕТОД НАСТРОЙКИ НЕЧІТКИХ ВІДНОШЕНЬ ІНТЕРВАЛЬНОГО ТИПУ ДЛЯ ОЦІНКИ ЗАХИЩЕНОСТІ ІНФОРМАЦІЙНИХ СИСТЕМ
DOI:
https://doi.org/10.58254/viti.2.2022.07.48Ключові слова:
нейро-нечітка мережа, нейронна мережа, невизначеність, нечіткі відношення, нечіткі множини, інтервальна функція належності, загрози, збиткиАнотація
На сьогодні актуальною науково-технічною проблемою є створення систем оцінки захищеності інформаційних систем від загроз, які можуть опрацьовувати нечітку інформацію. Дані систем дозволяють визначати, які дії ефективні для мінімізації та попередження загроз. Нечітка модель будується на основі композиційного правила виведення Заде, в якому носієм інформації є матриця нечітких відношень „загрози – збитки”, що зв’язує вектор мір значимості загроз і вектор мір значимості збитків. При проєктуванні подібних систем на базі нечітких відношень необхідно визначати множину її параметрів (WІ – множина параметрів, які визначають модель системи на базі нечітких відношень І типу, та WІІ – множина параметрів, які визначають модель системи на базі нечітких відношень ІІ типу). На сьогоднішній день для настройки нечітких систем інтервального типу використовується незалежний метод, який передбачає визначення множини WІІ з „нуля”, не використовуючи результати настройки множини параметрів WІ, що призводить до збільшення часу настройки.
У статті запропоновано послідовний метод настройки нечітких відношень інтервального типу, який передбачає спочатку визначення множини параметрів нечітких відношень І типу за допомогою генетико-нейронного алгоритму, а потім на їх базі настройку тільки додаткових параметрів, що дозволяє зменшити середній час настройки нечіткої моделі та оцінити вплив невизначеності на точність оцінки.
Посилання
- Ротштейн А. П. Интеллектуальные технологии идентификации: нечеткие множества, генетические алгоритмы, нейронные сети. Винница: УНІВЕРСУМ-Вінниця, 1999. 320 с.
- Минаев Ю. Н., Филимонова О. Ю. Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе. Москва: Горячая линия – Телеком, 2003.
- Заде Л. Понятие лингвистической переменной и её применение к принятию приближенных решений. Москва: Мир, 1976. 167 с.
- Mendel J. Uncertain Rule-Based Fuzzy Logic Systems: Introduction and New Direction. Prentice Hall PTR, USA. 2001. 520 p.
- Mordeson J. N. Fuzzy Mathematics in Medicine. 2009. 257 p.
- Exact analytical inversion of interval type-2 TSK fuzzy logic systems with closed form inference methods // Applied Soft Computing, 37. 2015. Р. 60–70.
- Герасимов Б. М., Самойлов І. В. Алгоритм побудови матриці нечітких відношень для системи діагностування комп’ютерних мереж // Сучасні інформаційні технології у сфері безпеки та оборони: науково-практичний журнал Національної Академії оборони України. 2008. № 1. С. 8–11.
- Ротштейн А. П., Митюшкин Ю. И. Нейро-лингвистическая идентификация нелинейных зависимостей // Кибернетика и системный анализ. 2000. № 2. С. 37–44.
- Rotshtein, A. Rakytyanska, H. Fuzzy Evidence in Identification, Forecasting and Diagnosis, Springer, Berlin: Heidelberg, 2012. 314 p.
- Ротштейн А. П., Ракитянская А. Б. Идентификация нелинейных зависимостей нечеткими базами знаний с генетико-нейронной настройкой // Известия РАН. Теория и системы управления. 2005. № 1. С. 110–117.
