Ф.И.О.
Частикова Вера Аркадьевна
Ученая степень
• кандидат технических наук
Ученое звание
доцент
Почетное звание
—
Организация, должность
• ГОУ ВПО Кубанский государственный технологический университет
кафедра компьютерных технологий и информационной безопасности
Научные интересы
системы искусственного интеллекта, генетические алгоритмы и эволюционное программирование, нейронные сети.
Адрес веб-сайта
—
Электропочта
Текущий рейтинг (суммарный рейтинг статей)
0
TOP5 соавторов
Статей в журнале: 9 шт
Сформировать список работ, опубликованных в Научном журнале КубГАУ
-
Гибридный оптимизационный алгоритм грифов на основе механизмов роевого интеллекта
Краткое описание
В статье предложен гибридный алгоритм поиска грифов с минимальным числом входных параметров для оптимизации сложных функций, меняющихся с течением времени. Проведены исследования эффективности его работы и сравнительный анализ с некоторыми другими алгоритмами
-
Краткое описание
В статье проводится идентификация и исследование ключевых параметров генетического алгоритма метода генетических схем и их влияние на эффективность поиска решений в экспертных системах продукционного типа. Рассматриваются следующие параметры генетического алгоритма: оператор кроссовера, выбор родительской пары, оператор мутации, оператор инверсии
-
Краткое описание
Данная статья посвящена исследованию влияния основных параметров генетического алгоритма метода генетических схем на эффективность поиска решений в экспертных системах. Рассматриваются следующие параметры генетического алгоритма: численность популяции, длина бинарных кодировок, механизм отбора родительских пар, выбор схемы размножения
-
Комплексная кольцевая система защиты программного обеспечения от нелицензионного использования
Краткое описание
В статье приведён алгоритм реализации многоуровневой системы защиты программного обеспечения от нелицензионного использования. Предложенная система защиты состоит из 4 уровней
-
Краткое описание
Настоящая статья посвящена исследованию фундаментальных свойств и компонент иммунной системы, таких как, В-лимфоциты, T-лимфоциты, иммунологическая память системы, первичный и вторичный иммунный ответ, иммунологическое обучение детекторов, которые составляют базис разработанной методики обнаружения полиморфных вирусов. Ключевую роль в полученной методике играют объекты-детекторы, которые сочетают в себе свойства B- и T- лимфоцитов, участвующих в реакциях врожденного и адаптивного иммунного ответа. Полиморфизм компьютерных вирусов заключается в формировании кода вредоносной программы прямо во время ее исполнения, причем функция, отвечающая за формирования кода, не является статической. Таким образом, не удается однозначно создать сигнатуру, соответствующую данному полиморфному вирусу. В статье выделены и описаны основные функции искусственных иммунных систем, предложены идеи их реализации, а также программного, системного взаимодействия. Построена таблица, отражающая соответствие между компонентами искусственной иммунной системы и иммунной системой позвоночных. У иммунных систем выявлены такие важные особенности, реализация которых будет эффективна при решении задач обнаружения зловредного программного кода. Для более продуктивного обучения системы рассматривается класс генетических операторов, таких как, кроссинговер, мутация, селекция, описывается их абстрактная реализация. Каждый оператор реализован в нескольких вариантах, рассматривается совокупность подходов для их имплементации в виде конкретной системы. Построена система взаимодействия генетических и иммунологических алгоритмов
-
Методика формирования оценки знаний в рамках автоматизированной системы тестирования
Краткое описание
В данной статье рассмотрены подходы к передаче знаний обучающимся и объективной оценки знаний с применением автоматизированных средств. Проанализированы характерные особенности и возможности использования когнитивных методов обучения, а также комплексных систем проверки навыков и теоретической базы обучаемых. Описаны проблемы развития данного направления и возможные пути их решения. Введены основные понятия и рассмотрены существующие методы вычисления среднего балла при проверке знаний ученика, разработан новый подход к решению данной задачи. На основе проведенных исследований предложено использование комплексной системы тестирования конечных пользователей, включающей в себя: проведение тестирования, мониторинг, сбор, анализ и отображение результатов студентов/групп/потока. Сформулированы основные требования к созданию подобного комплекса и правила, которым необходимо следовать для более объективной оценки знаний, представлена модель комплексной модульной системы
-
Краткое описание
Настоящая статья посвящена исследованию параметров разработанной искусственной иммунной системы для решения задачи обнаружения полиморфных вирусов. Целью является определение такого вектора параметров иммунной системы, который бы обеспечивал минимальное количество ошибок первого рода на репрезентативной выборке данных, минимальное количество ошибок второго рода и максимальный процент обнаружения полиморфных вирусов, то есть правильной классификации их как вредоносного кода, по отношению к любому теоретически возможному вектору параметров искусственной иммунной системы. Отличительной чертой исследуемой искусственной иммунной системы является применение класса генетических алгоритмов, которые обеспечивают более эффективное обучение детекторов. Среди настраиваемых параметров работы системы выделены: алгоритм определения меры близости детектора и патогена, который может быть реализован путем определения расстояния по Левенштейну, либо методом смежных бит; а также метод реализации оператора кроссинговера, метод реализации оператора мутации, метод реализации оператора селекции, алгоритм определения меры близости строк детекторов. Кроме этого, в статье рассматривается целесообразность использования распределенной сети из нескольких узлов, на каждом из которых будет функционировать иммунная система, обменивающаяся данными с другими узлами сети. В результате исследований был получен набор оптимальных параметров, при которых система достигает максимальной точности распознавания полиморфных вирусов
-
Краткое описание
В статье рассматривается проблема выявления сетевой атаки с целью последующего применения мер по обеспечению информационной безопасности. Для решения данной задачи проведено исследование эффективности работы нейронной сети с использованием в качестве алгоритмов обучения ряда метаэвристических методов, таких как, генетический алгоритм, алгоритм серых волков и алгоритм светлячков. Описаны механизмы указанных алгоритмов и принципы их работы. Для определения наличия сетевой атаки выбрана архитектура многослойного персептрона с сигмоидальной функцией активации. Исследованы различные конфигурации нейронной сети с целью определения оптимальной, имеющей соотношение слоев и нейронов на каждом слое, которое позволит получить минимальную ошибку. Обучение проводилось путем минимизации квадрата отклонения полученного выхода сети от эталонного с помощью заявленных алгоритмов. Генетический алгоритм требует тщательного подбора параметров при любом изменении структуры нейронной сети, а также значительно уступает в быстродействии алгоритмам светлячков и серых волков. Наибольшую точность показал метод серых волков, однако с увеличением количества скрытых слоев сети, его эффективность снижается. Большую устойчивость точности полученных результатов к изменению структуры нейронной сети показал алгоритм светлячков: он незначительно уступает по эффективности алгоритму волков, однако является более универсальным
pdf 235.762kb
doc 235.762kb