Оптимізація процедури машинного навчання моделі на багатопроцесорних установках для посилення кібербезпеки в телекомунікаційних мережах

Анотація

Проаналізовано особливості оптимізації процедури машинного навчання ML (англ. Machine Learning) моделей із використанням багатопроцесорних графічних установок (multi-GPU) для підвищення кібербезпеки в телекомунікаційних мережах. Одним із ключових аспектів дослідження стало використання паралельного оброблення даних, яке дає змогу розподілити навчальне навантаження між кількома графічними процесорами, що значно скорочує тривалість навчання та підвищує точність моделей, що особливо важливо для швидкого виявлення загроз у кіберпросторі. Запропоновано новий підхід до оптимізації розміру партій даних (англ. batch size) за допомогою взаємної інформації MI (англ. Mutual Information), що дає змогу гармонізувати використання обчислювальних ресурсів і інформаційного вмісту навчальних даних. Використання MI допомагає визначати оптимальний розмір партій даних, який мінімізує похибки навчання та підвищує точність моделі без значного збільшення часу на навчання. Багатопроцесорні конфігурації, як показали результати експериментів, демонструють істотні переваги порівняно з однопроцесорними установками, забезпечуючи швидше навчання та покращені показники точності моделей. Особливо наголошено, що MI-кероване налаштування розміру партій даних значно перевершує традиційні методи ручного налаштування, забезпечуючи більш високу точність валідації та зменшуючи тривалість навчання. За результатами дослідження з'ясовано, що підхід на підставі взаємної інформації є ефективним інструментом для вирішення проблеми оптимізації процесу навчання моделей ML у реальних сценаріях, де кібербезпека є критичним елементом. Запропоновані методи дають змогу ML моделям швидше навчатися та точніше ідентифікувати потенційні загрози, що робить їх особливо актуальними для телекомунікаційних мереж, де необхідна швидка реакція на нові загрози в режимі реального часу. Запровадження сучасних обчислювальних технологій, таких як багатопроцесорні графічні установки та MI-оптимізоване навчання, підвищує ефективність і точність моделей машинного навчання. Це дає змогу поліпшити заходи з кібербезпеки і гарантує надійніший захист телекомунікаційних мереж від зловмисних атак. Зазначено, що запропоновані підходи можуть бути адаптовані не тільки для кібербезпеки, а й для інших галузей, де важлива висока точність моделей і швидке навчання. Перспективи подальших досліджень охоплюють розвиток нових методів машинного навчання, зокрема глибинних нейронних мереж, дослідження інших альтернативних обчислювальних архітектур, таких як квантові обчислення чи розподілені системи, а також їх інтеграція в реальні системи у режимі реального часу. Окрему увагу доцільно приділити етичним аспектам застосування автоматизованих систем кібербезпеки, зокрема, щодо уникнення упередженості в алгоритмах та забезпечення рівноправності під час їх використання.