ПРОГРАММНАЯ РЕАЛИЗАЦИЯ МОДУЛЯ DLP-СИСТЕМЫ ДЛЯ МОНИТОРИНГА И АНАЛИЗА ТРАФИКА КОРПОРАТИВНОЙ СЕТИ С ИСПОЛЬЗОВАНИЕМ МАШИННОГО ОБУЧЕНИЯ

Антон А. Недогарок, Николай В. Федоров, Виталий С. Швычков, Максим И. Калайда

Аннотация


Предметом работы является нейронная сеть, параметры её архитектуры и массив данных (датасет) для её обучения. Целью работы является программная реализация части DLP-системы, позволяющей осуществлять мониторинг трафика корпоративной сети и контролировать пересылку конфиденциальных данных по этой сети при помощи нейронной сети. Весь процесс разработки представлен пятью этапами: теория, проектирование, подготовка данных для обучения нейронной сети, обучение нейронной сети и тестирование реализованной системы. Приведён краткий обзор рынка подобных решений. Подробно описаны используемые параметры для построения архитектуры нейронной сети, используемой для решения задачи классификации текстовых данных. Результатом работы является функционирующая часть DLP-системы, позволяющая осуществлять мониторинг трафика корпоративной сети через веб-интерфейс и контролировать пересылку конфиденциальных данных по этой сети при помощи одномерной свёрточной нейронной сети 1DCNN.


Ключевые слова


DLP-система, машинное обучение, нейронная сеть, конфиденциальная информация, классификация текста.

Полный текст:

PDF

Литература


1. Searchinform information security. URL: https://searchinform.ru/informatsionnaya-bezopasnost/dlp-sistemy/ (дата обращения: 20.10.2019).

2. Reviews for Enterprise Data Loss Prevention. URL: https://www.gartner.com/reviews/market/enterprise-data-loss-prevention/vendors (дата обращения: 20.10.2019).

3. Обзор Symantec Data Loss Prevention 12.5. URL: https://www.anti-malware.ru/reviews/Symantec_Data_Loss_Prevention_12_5 (дата обращения: 20.10.2019).

4. Symantec DLP products. URL: https://www.symantec.com/products/dlp (дата обращения: 20.10.2019).

5. Symantec Data Loss Prevention.
URL: https://vido.com.ua/article/2530/symantec-data-loss-prevention/ (дата обращения: 20.10.2019).

6. McAfee Total Protection for Data Loss Prevention. URL: http://www.azone-it.ru/mcafee-dlp (дата обращения: 20.10.2019).

7. McAfee Total Protection for DLP.
URL: https://www.mcafee.com/enterprise/ru-ru/products/total-protection-for-data-loss-prevention.html (дата обращения: 20.10.2019).

8. Forcepoint DLP products. URL: https://www.forcepoint.com/product/dlp-data-loss-prevention (дата обращения: 20.10.2019).

9. Introduction to Forcepoint DLP Machine Learning.
URL:https://www.websense.com/content/support/library/data/v84/machine_learning/first.aspx (дата обращения: 20.10.2019).

10. InfoWatch Traffic Monitor.
URL: https://www.infowatch.ru/products/traffic_monitor (дата обращения: 20.10.2019).

11. Системы защиты от утечек конфиденциальной информации (DLP). URL: https://www.anti-malware.ru/security/data-leak-protection (дата обращения: 20.10.2019).

12. Машинное обучение для людей.
URL: https://vas3k.ru/blog/machine_learning/ (дата обращения: 20.10.2019).

13. Report on Text Classification using CNN, RNN & HAN.
URL: https://medium.com/jatana/report-on-text-classification-using-cnn-rnn-han-f0e887214d5f (дата обращения: 26.02.2020).

14. Python. URL: https://www.python.org/ (дата обращения: 20.10.2019).

15. Keras: The Python Deep Learning library. URL: https://keras.io/ (дата обращения: 20.10.2019).

16. TensorFlow - an end-to-end open source machine learning platform.
URL: https://www.tensorflow.org/ (дата обращения: 20.10.2019).

17. Почтовая кухня #2: SMTP. URL: https://habr.com/ru/post/51772/ (дата обращения: 26.02.2020).

18. Flask против Django: почему Flask может быть лучше. URL: https://python-scripts.com/flask-vs-django (дата обращения: 26.02.2020).

19. A Word2Vec Keras tutorial.
URL: https://adventuresinmachinelearning.com/word2vec-keras-tutorial/ (дата обращения: 26.02.2020).

20. Keras. Text Preprocessing. Tokenizer. URL: https://keras.io/preprocessing/text/ (дата обращения: 20.10.2019).




DOI: http://dx.doi.org/10.26583/bit.2020.1.03

Ссылки

  • На текущий момент ссылки отсутствуют.


Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.