К организации интеллектуальной защиты информации на базе адаптивных средств классификации с инкрементным обучением

Abstract

Рассмотрены вопросы организации системы защиты информации (СЗИ), которая ориентирована на процессы адаптации к динамике компьютерных атак. Показано, что в иерархической модели адаптивной СЗИ нижний уровень, ответственный за оперативную реакцию на динамику внешнего окружения, должен быть интеллектуальным (по аналогии с иммунными механизмами биосистемы). Верхний уровень (соответствует процессам обобщения центральной нервной системы) ориентирован на использование интеллекта администратора безопасности в качестве компонента модели. Каждый из уровней содержит средства нейросетевой классификации с инкрементным обучением, позволяющие повысить оперативность СЗИ за счет минимизации количества кластеров при периодическом выполнении этапов структурной и параметрической оптимизации.

Розглянуті питання організації системи захисту інформації, яка орієнтована на процеси адаптації до динаміки комп’ютерних атак. Показано, що в ієрархічній моделі адаптивного захисту нижній рівень, відповідальний за оперативну реакцію на динаміку зовнішнього оточення, має бути інтелектуальним (за аналогією з імунними механізмами біологічної системи). Верхній рівень (відповідає процесам узагальнення центральної нервової системи) орієнтований на використання інтелекту адміністратора безпеки як компонента моделі. Кожен з рівнів містить нейромережний класифікатор з інкрементним навчанням, який дозволяє підвищити швидкість класифікації за рахунок мінімізації кількості кластерів при періодичному виконанні етапів структурної і параметричної оптимізації.

The organization of the system of safety, which is oriented to the processes of adaptations to the dynamics of computer attacks is considered. It is marked that a lower level of hierarchical model of adaptive defense must be intellectual (by analogy with the immune mechanisms of the biological system). A top level is oriented to the use of intellect of system administrator as a component of model (by analogy with the processes of generalization of CNS). Each of levels contains neural classifier with the incremental teaching. A similar classifier enables to increase speed of classification due to minimization of amount of clusters at periodic implementation of the stages of structural and parametric optimization.