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

EN: network traffic modellingMMPP processspiking neural networksInternet of Thingsanomaly detection
PL: proces MMPPSNNmodelowanie ruchu sieciowegoimpulsowe sieci neuronoweInternet RzeczyIoTdetekcja anomalii

Dane bibliometryczne

ID BaDAP170722
Data dodania do BaDAP2026-11-18
Tekst źródłowyURL
DOI10.15199/59.2026.4.58
Rok publikacji2026
Typ publikacjireferat w czasopiśmie
Otwarty dostęptak
Creative Commons
Czasopismo/seriaPrzegląd 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.

Publikacje, które mogą Cię zainteresować

artykuł
#170545Data dodania: 18.11.2026
Analiza detekcji ruchu WebRTC z użyciem sieci neuronowych — Analysis of WebRTC traffic detection using neural networks / Mateusz Walas, Robert WÓJCIK, Jerzy DOMŻAŁ // Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne ; ISSN  1230-3496 . — 2026 — R. 98 nr 4, s. 154–158. — Bibliogr. s. 158, Streszcz., Abstr. — W artykule podano błędny rocznik czasopisma. — KRiT 2026 : Konferencja Radiokomunikacji i Teleinformatyki : 23–25 września 2026, Wrocław
artykuł
#123652Data dodania: 5.9.2019
Wykrywanie anomalii w sieciach sterowanych programowo z wykorzystaniem dynamicznej telemetrii oraz głębokich sieci neuronowych — Anomaly detection in software defined networks using dynamic telemetry with deep neural networks / Grzegorz RZYM, Amadeusz Masny // Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne ; ISSN 1230-3496. — 2019 — R. 92 nr 7 dod.: CD, s. 635–638. — Wymagania systemowe: Adobe Reader ; napęd CD-ROM. — Bibliogr. s. 638, Streszcz., Abstr. — KSTiT 2019 : Krajowe Sympozjum Telekomunikacji i Teleinformatyki : Wrocław, 26–28 czerwca 2019