Библиографическое описание:ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ С ВРЕМЕННЫМИ РЯДАМИ ДАННЫХ ДЛЯ АНАЛИЗА ПОТОКОВ ДАННЫХ : научное издание / Ф. А. Казаков, А. В. Шнайдер. - Текст : непосредственный // Современные наукоемкие технологии. - 2021. - № 6-2. - С. 260-264. - ISSN 1812-7320, DOI 10.17513/snt.38731.
Аннотация:В статье изложены основные варианты использования нейронных сетей с временными рядами данных, описаны принципы прогнозирования временных рядов, дан обзор рекуррентных нейронных сетей с возможностью оперирования последовательностью векторов. Описана работа двух популярных и эффективных моделей рекуррентных нейронных сетей: сети долгосрочной краткосрочной памяти, Long Short-Term Memory (LSTM) и сети с рекуррентным блоком управляемой памяти, Gated Recurrent Unit (GRU). Рекуррентные нейронные сети гораздо более гибкие и гораздо лучше подходят для прогнозирования временных рядов, чем обычно применяемые линейные модели, хотя у таких сетей есть проблемы с долгосрочными зависимостями. Тем не менее с помощью методов, описанных в этой статье, можно решить данные проблемы. Мы можем проводить анализ временных рядов с целью либо прогнозирования будущих значений, либо понимания процессов, движущих временными рядами, но нейронные сети особенно плохи в последнем случае. Важно понимать, что использование нейронных сетей необходимо для расширения функционала традиционных методов в области обнаружения вторжения в сеть передачи данных, а не для полного их замещения.
The article outlines the main options for using neural networks with time series of data, describes the principles of time series prediction, provides an overview of recurring neural networks with the ability to operate on a sequence of vectors. Two popular and effective models of recurring neural networks are described: long-term short-term memory networks, Long Short-Term Memory (LSTM) and networks with a recurring controlled memory unit, Gated Recurved Unit (GRU). Recurring neural networks are much more flexible and much better suited to time series prediction than commonly applied linear models, although such networks have problems with long-term dependencies. However, the methods described in this article can solve these problems. We can do time series analysis to either predict future values or understand the processes driving time series, but neural networks are particularly bad in the latter case. It is important to understand that the use of neural networks is necessary to expand the functionality of traditional methods in the field of intrusion detection in a data network, and not to completely replace them.
Ключевые слова:network traffic analysis, time series data, recurved neural networks, artificial neural network, long-term short-term memory networks, анализ сетевого трафика, временные ряды данных, рекуррентные нейронные сети, искусственная нейронная сеть, сети долгосрочной краткосрочной памяти
