| Form of studies |
Master |
| Title of the study programm |
Cybersecurity Engineering |
| Title in original language |
Mašīnmācīšanās pielietošana prognozējošajā analīzē un riska mazināšanā kodolatkritumu glabātavās: teorētiskā pieeja |
| Title in English |
Machine Learning Applications in Predictive Analysis and Risk Mitigation for Nuclear Waste Storage Facilities : A Theoretical Approach |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Henrihs Gorskis |
| Reviewer |
Sergejs Paršutins |
| Abstract |
Šajā darbā tiek pētīta mašīnmācīšanās (ML) metožu izmantošana, lai stiprinātu kiberdrošības pasākumus kodolatkritumu uzraudzības sistēmās, īpašu uzmanību pievēršot riska samazināšanai un prediktīvai analīzei. Tā kā kodolatkritumu apsaimniekošana kļūst arvien sarežģītāka un saistīta ar risku, tai ir vajadzīgas spēcīgas, inteliģentas sistēmas, kas spēj paredzēt un veikt pasākumus, lai novērstu drošības pārkāpumus un kļūmes, pirms tie kļūst par nopietnām problēmām. Lai uzlabotu kodolatkritumu apsaimniekošanas sistēmu paredzamo jaudu un vispārējo drošības sistēmu, šis pētījums izceļ divu progresīvu mašīnmācīšanās stratēģiju integrāciju: modeļa-agnostisko metamācību (angļu Model-Agnostic Meta-Learning, MAML) un sintētisko minoritāšu pārmērīgas paraugu ņemšanas metodi (angļu Synthetic Minority Over-sampling Technique, SMOTE).
Šajā kontekstā ML ieguldījums ir nodrošināt dinamisku un adaptīvu paņēmienu draudu noteikšanai un riska novērtēšanai. Šo funkciju var pilnībā izpildīt ar mantotām statiskām metodēm. Mēs izpētām uzraudzītu mācīšanos, bez uzraudzības un mācīšanos ar pastiprinājumu kā fundamentālas pieejas, kas, integrējoties, nodrošina visaptverošu instrumentu kopumu, lai risinātu unikālās problēmas, ko rada radioaktīvie atkritumi. Šīs metodes tika izvēlētas, jo tās ir izrādījušās efektīvas citās augsta riska jomās, kur svarīga ir ātra anomāliju noteikšana un reāllaika nenoteikti lēmumi.
Ievērojama ir MAML spēja ātri pielāgot modeļus jauniem un mainīgiem scenārijiem ar maziem ievades datiem vai bez tiem. Šī iespēja ir ļoti svarīga, ņemot vērā kiberdrošības apdraudējumu strauji mainīgo raksturu. Šī iespēja ir būtiska, lai izveidotu sistēmas, kas spēj ātri reaģēt uz jauniem uzbrukuma vektoriem un nepieredzētiem kļūmju veidiem. To nodrošina SMOTE, kas risina nelīdzsvarotu datu kopu problēmu, kas bieži rodas kodolatkritumu monitoringā, kur notiek neparasti, bet potenciāli katastrofāli augsta riska notikumi. Mākslīgi uzlabojot šo mazākumā esošu notikumu attēlojumu apmācības datu kopā, SMOTE samazina iespēju nepamanīt svarīgus draudus un nodrošina efektīvāku mācīšanos un atklāšanu.
Šajā pētījumā rūpīgi izpētīts, kā šīs mašīnmācīšanās metodes var pievienot pašreizējām kodolatkritumu apsaimniekošanas sistēmām, lai uzlabotu to uzticamību un efektivitāti. Šajā pētījumā tiek izmantota empīrisko datu simulācija un analīze, lai novērtētu, cik lielā mērā piedāvātais uz ML balstītais risinājums var savlaicīgi un precīzi noteikt, prognozēt un mazināt draudus. Lai veicinātu drošāku apsaimniekošanas praksi un palielinātu kodolenerģijas resursu ilgtspējību, šī pētījuma kopējais mērķis ir izpētīt, kā MAML un SMOTE apvienošana rada būtiskus uzlabojumus kodolatkritumu uzraudzības sistēmu drošības procedūrās. Runa ir par saiknes pierādīšanu. |
| Keywords |
Mašīnmācīšanās (ML), Kiberdrošība, Kodolatkritumu uzraudzība, Riska samazināšana, Prognozējošā analīze, Modeļu agnostiskā metapmācīšana (MAML), Sintētiskā minoritāšu pārlases tehnika (SMOTE), Apdraudējumu noteikšana, Riska novērtēšana, Uzraudzītā mācīšanās, Neuzraudzītā mācīšanās, Pastiprinājuma mācīšanās, Anomāliju identificēšana, Reāllaika lēmumi, Adaptīvās sistēmas, Nesabalansēti dati |
| Keywords in English |
Machine Learning (ML), Cybersecurity, Nuclear Waste Monitoring, Risk Reduction, Predictive Analysis, Model-Agnostic Meta-Learning (MAML), Synthetic Minority Over-sampling Technique (SMOTE), Threat Detection, Risk Assessment, Supervised Learning, Unsupervised Learning, Reinforcement Learning, Anomaly Identification, Real-time Decisions, Adaptive Systems, Unbalanced Datasets |
| Language |
eng |
| Year |
2024 |
| Date and time of uploading |
31.05.2024 18:27:59 |
