Szczegóły publikacji
Opis bibliograficzny
Wykrywanie anomalii sieciowych z użyciem impulsowych sieci neuronowych SNN — Spiking neural networks in network anomaly detection / Mateusz Żelasko, Piotr CHOŁDA // Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne ; ISSN 1230-3496 . — 2026 — R. 98 nr 4, s. 258–261. — Bibliogr. s. 261, Streszcz., Abstr. — W artykule podano błędny rocznik czasopisma. — KRiT 2026 : Konferencja Radiokomunikacji i Teleinformatyki : 23–25 września 2026, Wrocław
Autorzy (2)
Słowa kluczowe
Dane bibliometryczne
| ID BaDAP | 170722 |
|---|---|
| Data dodania do BaDAP | 2026-11-18 |
| Tekst źródłowy | URL |
| DOI | 10.15199/59.2026.4.58 |
| Rok publikacji | 2026 |
| Typ publikacji | referat w czasopiśmie |
| Otwarty dostęp | |
| Creative Commons | |
| Czasopismo/seria | Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne |
Streszczenie
Przeanalizowano możliwość zastosowa- Streszczenie: nia impulsowych sieci neuronowych SNN (spiking neural networks) do wykrywania anomalii w sekwencjach czasów między pojawianiem się pakietów modelowanych procesem Poissona modulowanym łańcuchem Markowa (MMPP). Zaproponowano architekturę wykorzystującą neurony typu LIF (leaky integrate-and-fire) oraz mechanizm kodowania fazowego oparty na dwóch oscylatorach o okresach względnie pierwszych. Model trenowano na danych generowanych przez trójstanowy model MMPP dopasowany do rzeczywistego ruchu urządzenia Internetu Rzeczy. Przeprowadzono analizę wpływu liczby neuronów ukrytych, współczynnika zaniku potencjału neuronu oraz regularyzacji aktywności impulsowej na skuteczność klasyfikacji. Wyniki wskazują na wysoką skuteczność proponowanego podejścia oraz jego potencjalną przydatność w energooszczędnych implementacjach neuromorficznych i FPGA/ASIC.
Abstract
This study investigates the applicability of spiking neural networks (SNNs) for anomaly detection in packet inter-arrival time sequences modeled using a Markov modulated Poisson process (MMPP). A network architecture based on leaky integrate-and-fire neurons and phase encoding using two relatively prime oscillators was proposed. The model was trained on synthetic data generated from a three-state MMPP fitted to real IoT network traffic. The influence of hidden layer size, membrane potential decay factor, and spike activity regularization on classification performance was analyzed. The results indicate high effectiveness of the proposed approach and its potential applicability in energy-efficient neuromorphic and FPGA/ASIC implementations.