Бидний тухай
Багш ажилтан
Дата төвийг байгууллагын онцлогт зориулан зохион байгуулах боловч өргөтгөл, шинэчлэлтийн асуудал зардал их юм. Мөн үүлэн тооцоолол, виртуалчлал зэрэг технологийг нэвтрүүлж байж дата төв нь өсөн нэмэгдэж байгаа хэрэгцээг хангах, ачаалал даах, найдвартай байдал сайжрах шаардлагатай болж байна. Энэхүү судалгааны ажлаараа бид сүлжээний уламжлалт архитектуртай дата төвийг программаар тодорхойлогддог сүлжээнд суурилсан архитектурт шилжүүлэх, үйл ажиллагааны талаар болон явцын дундах алдааг хэрхэн шийдсэн талаар танилцуулна. Дараа нь 2 болон түүнээс дээш дата төвийн сүлжээг программаар тодорхойлогдсон сүлжээнд нэвтрүүлэхдээ контроллерууд, чиглүүлэгчийн байршуулалтыг оновчтой зохион байгуулах замаар гүйцэтгэлийг нэмэгдүүлж, үр ашгийг бий болгосон шийдлийг танилцуулах болно.
Нөхцөлт хэндовр нь 5G сүлжээнд зориулан хөгжүүлсэн хэндовр механизм юм. Энэхүү механизм нь уламж- лалт хэндоврийн бэлтгэх болон гүйцэтгэх үе шатуудыг салгах, бай үүрийн жагсаалт бий болгох замаар хэрэглэгчийн шилжин орох боломжтой үүрүүдийн тоог олон байлгаж RLF, HPP болон бэлтгэх шатанд гарах алдааг багасгах давуу талтай юм. Харин хяналтын мессежний тоо ихсэх, олон бай үүрээс сонголт хийх асуудал зэрэг сул талуудтай. Энэхүү судалгааны ажлаараа бид HPI-д суурилсан нөхцөлт хэндов- рийн механизм танилцуулна. Энэхүү механизм нь гүйцэтгэлийг сайжруулах, алдааг бууруулах зорилгоор хэндоврийн гүйцэтгэх шатыг эхлүүлэхэд хэрэглэдэг параметрүүдийн утгыг автоматаар тохируулах юм. Өгүүллийнхээ төгсгөлд бид туршилтын үр дүнг танилцуулж дүгнэлт хийнэ. Бид санал болгосон механиз- маа 3GPP-ийн стандарт хувилбартай харьцуулахад алдаа багассан, гүйцэтгэл тогтворжсон сайн талтай байсан.
Хураангуй— Нөхцөлт хэндовр нь 5G сүлжээнд зориулан хөгжүүлсэн хэндовр механизм юм. Энэхүү механизм нь уламжлалт хэндоврийн бэлтгэх болон гүйцэтгэх үе шатуудыг салгах, бай үүрийн жагсаалт бий болгох замаар хэрэглэгчийн шилжин орох боломжтой үүрүүдийн тоог олон байлгаж RLF, HPP болон бэлтгэх шатанд гарах алдааг багасгах давуу талтай юм. Харин хяналтын мессежний тоо ихсэх, олон бай үүрээс сонголт хийх асуудал зэрэг сул талуудтай. Энэхүү судалгааны ажлаараа бид HPI-д суурилсан нөхцөлт хэндоврийн механизм танилцуулна. Энэхүү механизм нь гүйцэтгэлийг сайжруулах, алдааг бууруулах зорилгоор хэндоврийн гүйцэтгэх шатыг эхлүүлэхэд хэрэглэдэг параметрүүдийн утгыг автоматаар тохируулах юм. Өгүүллийнхээ төгсгөлд бид туршилтын үр дүнг танилцуулж дүгнэлт хийнэ. Бид санал болгосон механизмаа 3GPP-ийн стандарт хувилбартай харьцуулахад алдаа багассан, гүйцэтгэл тогтворжсон сайн талтай байсан.
Хураангуй—Ухаалаг төхөөрөмжийн хэрэглээ нэмэгдэхийн хэрээр мэдээлэлд илүү хялбар хандах боломжтой болж байгаа хэдий ч тэдгээрийн аюулгүй байдал чухал асуудлуудын нэг байсаар байна. Нөгөө талаараа хөнөөлт програмуудын тусламжтайгаар хэрэглэгчийн эмзэг, чухал мэдээлэлд зөвшөөрөлгүй хандах боломжийг бий болгож байдаг. Учир нь Google play store -д өөрийн бичсэн програмыг байрлуулах нь тийм ч хүндрэлтэй биш бөгөөд энэ нь хэрэглэгч аюул, заналд өртөх нөхцөлийг бүрдүүлэх хүчин зүйлсийн нэг болдог. Тиймээс энэхүү судалгааны ажлын хүрээнд андройдын цэвэр болон хөнөөлт програмыг зурагт хөрвүүлж гүн сургалтын Convolutional Neural Network (CNN) загвар ашиглан хөнөөлт програмыг илрүүлэхийг зорьсон. Судалгааны явцад 120 цэвэр програмыг цуглуулж бэлтгэсэн бөгөөд CICAndMal2017 датасетээс хоёр төрлийн хөнөөлт програмыг зурган файлд ижил аргаар хөрвүүлэн нэгтгэн гүн сургалтын арга ашиглан туршилтыг хийж гүйцэтгэсэн. Туршилтын үр дүнд зөвхөн сlasses.dex файлыг ашиглан андройд програмаас хөнөөлт програм мөн болохыг бусад аргатай харьцуулахад 92,7% -ийн нарийвчлалтай програмыг илрүүлж байгааг харуулсан болно.
In recent years, a deep neural network has been solving a variety of complex problems of science and engineering fields ranging from healthcare to transportation. Among them, one of the most crucial issues is to protect a network against cyber threats. In this article, we present a two-stage IDS framework based on a single-layer Sparse Autoencoder (SAE) and Long Short-Term Memory (LSTM), to design an effective network intrusion detection. Initially, the single-layer SAE learns new feature representations of the data through the nonlinear mapping, following that, the new feature representations are fed into the LSTM model to classify network traffic whether it is being normal or attack. The proposed framework was evaluated on the benchmark NSL-KDD dataset, where the mean accuracy of the proposed method was achieved 84.8%. The experimental results show that the two-stage IDS framework achieved better classification accuracy than the existing state-of-the-art methods.
