Інформаційно-аналітична система оцінювання відповідності сучасним вимогам навчального контенту спеціальності кібербезпека

Abstract

Розв’язана актуальна задача підвищення функціональної ефективності машинного навчання інформаційно-аналітичної системи (ІАС) оцінки відповідності сучасним вимогам контенту навчальних дисциплін бакалаврського рівня спеціальності «Кібербезпека» Розроблено метод інформаційно-екстремального машинного навчання ІАС з метою адаптації навчального контенту випускової кафедри до вимог ринку праці, що дозволяє при функціонуванні системи в режимі моніторингу оперативно корегувати контент з навчальних дисципліни випускової кафедри. Ідея методу полягає у максимізації інформаційної спроможності ІАС в процесі машинного навчання, що дозволяє в режимі моніторингу отримати максимальну повну ймовірність прийняття правильних класифікаційних рішень. За результатами інформаційно-екстремального машинного навчання в рамках геометричного підходу побудовано вирішальні правила, практично інваріантні до багато вимірності простору ознак розпізнавання. Як критерій оптимізації параметрів машинного навчання використовується модифікація інформаційної міри Кульбака, яка є функціоналом точнісних характеристик класифікаційних рішень. Як параметри оптимізації розглядалися геометричні параметри гіперсферичних контейнерів класів розпізнавання, які в процесі машинного навчання відновлювалися в радіальному базисі бінарного простору ознак Хеммінга. При цьому вхідна навчальна матриця трансформувалася в робочу бінарну навчальну матрицю, яка змінювалася в процесі машинного навчання шляхом допустимих перетворень з метою адаптації вхідного математичного опису системи до максимальної достовірності класифікаційних рішень. Запропоновано категорійну модель функціонування ІАС, на основі якої розроблено алгоритм інформаційно-екстремального машинного навчанням системи з автоматичним визначенням базового класу розпізнавання. За результатами опитування фахівців з кібербезпеки сформовано вхідну структуровану навчальну матрицю, а за результатами фізичного моделювання підтверджено працездатність запропонованого методу інформаційно-екстремального машинного навчання ІАС.

The urgent task of increasing the functional efficiency of machine learning of the information and analytical system (IAS) for assessing compliance with modern requirements of the bachelor level academic disciplines content of the specialty "Cybersecurity" has been solved. A method of information-extremal machine learning IAS has been developed to adapt the educational content of the graduating department to the requirements of the labor market, which allows, when the system is operating in the monitoring mode, to promptly correct the content of the graduating department educational disciplines. The idea of the method is to maximize the information capacity of the IAS in the process of machine learning, which makes it possible to achieve the maximum total probability of making correct classification decisions in the monitoring mode. Because of information-extremal machine learning in the framework of the geometric approach, decisive rules have been constructed that are invariant to the multidimensionality of the recognition feature space. As a criterion for optimizing machine learning parameters, a modification of the Kullback information measure is used, which is a function of the accuracy characteristics of classification decisions. As optimization parameters, the geometric parameters of hyperspherical containers of recognition classes were considered, which were restored in the process of machine learning in the radial basis of the binary space of Hamming features. Simultaneously, the input-training matrix was transformed into a working binary-training matrix, which changes in the process of machine learning by using admissible transformations to adapt the input mathematical description of the system to the maximum reliability of classification solutions. A categorical model of IAS functioning is proposed, based on which an algorithm for information-extreme machine learning of the system with automatic determination of the recognition base class is developed. According to the results of a specialist survey in the field of cybersecurity, an input-structured training matrix was formed and based on the results of physical modeling, the efficiency of the proposed method of information-extreme machine learning IAS was confirmed.