Нечіткий ансамбль дерев рішень для ідентифікації стану комп'ютерних систем

Abstract

Об'єктом дослідження є процес ідентифікації стану комп’ютерних систем. Предметом дослідження є методи нечіткого ансамблю дерев з багатовимірними вузлами рішень для ідентифікації стану комп’ютерних систем. Метою дослідження є розробка та оцінка ефективності нечіткого ансамблю дерев рішень для підвищення точності ідентифікації стану комп’ютерних систем за умов наявності невизначеності, шумових впливів та неповних даних. Методи, що використовуються: методи машинного навчання, методи попередньої обробки даних, ансамблеві кла сифікатори, стекінгові підходи, методи комбінування та вибору ознак КС. Отримані результати: досліджено ефективність класичних та розроблених методів для ідентифікації стану комп’ютерних систем у складних умовах, що включають дисбаланс даних та наявність аномальних станів. Запропоновано комплексний підхід із використанням Fuzzy Stacking з MDT, що забезпечує високу точність і стабільність класифікації. Найкращі результати отримано саме для стекінгового підходу, який поєднує базові класифікатори та нечіткі дерева рішень, дозволяючи мінімізувати помилки першого та другого роду та досягти високих показників узагальнюючої здатності (MCC, F1-score, TS, LN(DOR)). Висновки. За результатами дослідження запропоновано удосконалений підхід до ідентифікації стану комп’ютерних сис тем, який поєднує стекінговий метод із Fuzzy MDT та оптимізацію вибору ознак. Комплексне використання цих методів дозволяє значно покращити точність класифікації, стабільність результатів та стійкість моделей до дисбалансу даних, атакож забезпечує високу якість класифікації навіть у випадках появи нових аномальних станів. The object of the research is the process of identifying the state of computer systems. The subject of the research is the methods of fuzzy ensemble decision trees with multidimensional decision nodes for identifying the state of computer systems. The goal of the research is to develop and evaluate the effectiveness of a fuzzy ensemble of decision trees to improve the accuracy of identifying computer system states under conditions of uncertainty, noise, and incomplete data. Methods used: machine learning methods, data preprocessing techniques, ensemble classifiers, stacking approaches, methods for feature selection and combination of computer system attributes. Results obtained: the effectiveness of both classical and newly developed methods for identifying the state of computer systems under complex conditions, including data imbalance and the presence of anomalous states, was investigated. A comprehensive approach using Fuzzy Stacking with MDT was proposed, providing high accuracy and stability of classification. The best results were achieved with the stacking approach, which combines base classifiers and fuzzy decision trees, minimizing both type I and type II errors and achieving high generalization ability (MCC, F1-score, TS, LN(DOR)). Conclusions. Based on the results of the study, an improved approach for identifying the state of computer systems is proposed, which combines the stacking method with Fuzzy MDT and feature selection optimization. The integrated use of these methods significantly enhances classification accuracy, result stability, and model robustness to data imbalance, while ensuring high-quality classification even in the presence of new anomalous states.