Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 2024

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Prediction passenger numbers in light rail transit using seasonal autoregressive integrated moving average (SARIMA)

Saputra Aldi, Gustriansyah Rendra, Sanmorino Ahmad, Mair Zaid Romegar, Sartika Dewi, Puspasari Shinta

Przegląd Elektrotechniczny

2024

R. 100, nr 10

43--45

Light Rail Transit (LRT) plays a role in supporting the mobility of the people of a city. However, the increase in LRT use presents challenges, requiring effective solutions to anticipate changes in the number of passengers. This research aims to design and implement a prediction model using the Seasonal Autoregressive Integrated Method Moving Average to anticipate and predict the number of LRT passengers. The prediction results using the parameter model (0,1,1)(0,1,0) obtained a MAPE value of 16.69%, thus, the accuracy level obtained was 83.31%.

Tranzyt koleją lekką (LRT) odgrywa rolę we wspieraniu mobilności mieszkańców miasta. Jednakże wzrost wykorzystania LRT stwarza wyzwania wymagające skutecznych rozwiązań umożliwiających przewidywanie zmian w liczbie pasażerów. Celem badania jest zaprojektowanie i wdrożenie modelu predykcyjnego wykorzystującego sezonową, zintegrowaną metodę autoregresyjną, średnią ruchomą do przewidywania i przewidywania liczby pasażerów LRT. Wyniki predykcji z wykorzystaniem modelu parametrycznego (0,1,1)(0,1,0) uzyskały wartość MAPE na poziomie 16,69%, a zatem uzyskany poziom dokładności wyniósł 83,31%.

The utilization of machine learning for network intrusion detection systems

Sanmorino Ahmad, Setiawan Herri, Coyanda John Roni

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2024

T. 14, nr 4

86--89

This study investigates the integration of MultilayerPerceptron (MLP) architecture in Network Intrusion Detection Systems (NIDS) to strengthen cyber defencesagainst evolving threats. The goal is to explore the potential of MLP in learning complex patterns and adapting to dynamic attack vectors, thereby improving detection accuracy. Key results from 5-fold cross-validation demonstrate model consistency, achieving an average accuracy of 0.97 with minimal standard deviation. Further evaluation across multiple nodes per layer and train-test splits demonstrate model robustness, displaying high metrics such as AUC-ROC and F1-Score. Challenges, such as the scarcity of large labelleddatasets and complex model interpretability,are acknowledged. This study provides a comprehensive foundation for future investigations, suggesting potential directions such as integrating advanced neural network architectures and assessing model transferability. In conclusion, this study contributes to the evolving intersection of machine learningand cyber security, offering insights into the strengths, limitations, and future directions of MLP-based NIDS. As cyber threats evolve, continued refinement of MLP methods is critical to effective network defencesagainst sophisticated adversaries.

W niniejszym artykule zbadano integrację architektury wielowarstwowego perceptronu (MLP) w systemach wykrywania włamań do sieci (NIDS) w celu wzmocnienia cyberobrony przed ewoluującymi zagrożeniami. Celem jest zbadanie potencjału MLP w uczeniu się złożonych wzorcówi dostosowywaniu się do dynamicznych wektorów ataków, a tym samym poprawienie dokładności wykrywania. Kluczowe wyniki 5-krotnej walidacji krzyżowej wykazują spójność modelu, osiągając średnią dokładność 0,97 przy minimalnym odchyleniu standardowym. Dalsza ocena w wielu węzłachna warstwę i podziały trening-test wykazują solidność modelu, wykazując wysokie metryki, takie jak AUC-ROC i F1-Score. Wyzwania, takie jak niedobór dużych zestawów danych z etykietami i złożona interpretowalność modelu, są uznawane. Niniejsze badanie zapewnia kompleksową podstawę do przyszłych badań, sugerując potencjalne kierunki, takie jak integracja zaawansowanych architektur sieci neuronowych i ocena przenoszalności modelu. Podsumowując, niniejsze badanie przyczynia się do ewoluującego skrzyżowania uczenia maszynowego i cyberbezpieczeństwa, oferując wgląd w mocne strony, ograniczenia i przyszłe kierunki NIDS opartych na MLP. W miarę rozwoju cyberzagrożeń ciągłe udoskonalanie metodMLP staje się kluczowedla skutecznej obrony sieci przed wyrafinowanymi przeciwnikami.