Моделі та методи штучного інтелекту для обробки даних в комп'ютерних мережах

Abstract

У статті розглядаються сучасні моделі та методи штучного інтелекту для ефективної обробки даних в комп'ютерних мережах. Проаналізовано основні підходи до застосування машинного навчання, глибокого навчання та нейронних мереж для оптимізації мережевого трафіку, виявлення аномалій та підвищення безпеки мережевих систем. Досліджено алгоритми класифікації мережевого трафіку, методи передбачення навантаження та системи автоматичного виявлення вторгнень на основі ШІ. Мета роботи полягає у розробці та дослідженні інтелектуальних методів обробки даних у комп’ютерних мережах, що забезпечують масштабованість, адаптивність і енергое фективність. Для цього передбачається створення моделей класифікації трафіку, алгоритмів балансування навантаження та систем виявлення кіберзагроз на основі технологій машинного і глибокого навчання. Результати: У роботі запропоновано гібридну модель класифікації мережевого трафіку, алгоритм адаптивного балансування навантаження на основі підкріплюючого навчання та систему виявлення кіберзагроз у реальному часі. Експериментальні дослідження підтвердили ефективність методів: точність класифікації перевищує 94%, а продуктивність мережі зросла більш ніж на 20%. Висновки: Застосування методів машинного та глибокого навчання значно підвищує ефективність управління комп’ютерними мережами. Отримані результати мають практичне значення для побудови масштабованих, енергоефективних і безпечних мережевих систем нового покоління. The article discusses modern models and methods of artificial intelligence for effective data processing in computer networks. It analyzes the main approaches to the application of machine learning, deep learning, and neural networks for optimizing network traffic, detecting anomalies, and improving the security of network systems. It investigates algorithms for classifying network traffic, methods for predicting load, and AI-based intrusion detection systems. The goal of this work is to develop and study smart ways to handle data in computer networks that are scalable, adaptable, and energy efficient. To do this, we plan to create traffic classification models, load balancing algorithms, and cyber threat detection systems based on machine learning and deep learning technologies. Results: The paper proposes a hybrid model for network traffic classification, an adaptive load balancing algorithm based on reinforcement learning, and a real-time cyber threat detection system. Experimental studies have confirmed the effectiveness of the methods: classification accuracy exceeds 94%, and network performance has increased by more than 20%. Conclusions: The use of machine learning and deep learning methods significantly improves the efficiency of computer network management. The results obtained are of practical importance for building scalable, energy-efficient, and secure next-generation network systems