АНАЛІЗ ТА ЗАСТОСУВАННЯ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ ДЛЯ АВТОМАТИЗАЦІЇ ЗАХИСТУ ІНФОРМАЦІЇ У ВІДЕОПОТОКАХ
Open Access
- 30 October 2025
- journal article
- Published by Publishing House Helvetica (Publications) in Таврійський науковий вісник. Серія: Технічні науки
- Vol. 1 (4) , 325-335
Abstract
У роботі запропоновано підхід до автоматизації захисту інформації у відеопотоках на основі поєднання статистичних і глибинних методів машинного навчання з імовірнісним прийняттям рішень. Метою дослідження є створення архітектури, здатної забезпечувати виявлення аномалій і кібератак у режимі, наближеному до реального часу, з явним контролем частоти хибних спрацювань. Методологічно система складається з модуля попередньої обробки (нормалізація, фільтрація шумів, первинна сегментація), швидкого статистичного фільтра на базі ізоляційного лісу, глибинної моделі типу CNN+LSTM для просторово-часового аналізу та імовірнісного агрегатора, що калібрує вихідні оцінки і застосовує адаптивний поріг класифікації. Пороговий параметр автоматично коригується на основі ковзної оцінки FA/h, що забезпечує стабілізацію експлуатаційних показників без повторного навчання. Новизна підходу полягає у цілісній інтеграції статистичного і глибинного рівнів із подальшим імовірнісним злиттям ознак та прямим включенням критерію Recall@FA/h у цикл прийняття рішень, а також у механізмі адаптації порога в потоці. Математична модель формулюється як логістичне поєднання нормованого статистичного скору та виходу часової нейромережі, що дозволяє інтерпретувати рішення через апостеріорну вірогідність аномалії та керувати компромісом «чутливість–хибні тривоги». Експериментальна перевірка виконана на UCSD Ped2, Avenue і UCF-Crime разом із синтетичними сценаріями атак; оцінювання проводилося на подієвому рівні з використанням AUC-ROC, F1 та Recall@FA/h при обмеженні не більш як три хибні тривоги на годину. Запропонована модель продемонструвала AUC-ROC 0,92, Recall@3FA/h 0,83 і F1-міру 0,81, зменшивши середнє FA/h до 2,9; порівняння з базовими підходами (Isolation Forest та CNN-LSTM) зафіксувало стабільний приріст повноти при нижчій частоті помилкових спрацювань. Отримані результати підтверджують можливість застосування моделі у системах відеоспостереження з вимогами до роботи в реальному часі; подальший розвиток стосується розширення доменних даних і інтеграції з іншими компонентами кіберзахисту.Keywords
This publication has 15 references indexed in Scilit:
- Wide Hidden Expansion Layer for Deep Convolutional Neural Networks2020
- Depth-Aware Stereo Video Retargeting2018
- Making Convolutional Networks Recurrent for Visual Sequence Learning2018
- Detecting anomalous events in videos by learning deep representations of appearance and motionComputer Vision and Image Understanding, 2017
- Deep Residual Learning for Image Recognition2016
- A Benchmark Dataset and Evaluation Methodology for Video Object Segmentation2016
- Abnormal Event Detection at 150 FPS in MATLAB2013
- Anomaly detection in crowded scenes2010
- Isolation Forest2008
- Reducing the Dimensionality of Data with Neural NetworksScience, 2006