Анализа безбедносних модела детекције упада у дистрибуиране системе, оптимизацијом хибридних алгоритама неуронских мрежа

У овом раду представља се анализа, евалуација и компаративна анализа вишеструког броја алгоритама за класификацију података, у виду здравствених података. Експерименти су изведени над бинарним и вишекласним скуповима података, при чему су коришћене метрике као што су Коенов коефицијент капе, PR криве, и ROC криве за процену перформанси и друго. Резултати експеримента показују да оптимизовани предложени алгоритам XG-MFA остварује и постиже најбоље перформансе у већини случајева. Један од експерименталних резултата показује да предложени алгоритам остварује просечну прецизност од 0.993 над бинарним скуповима података и 0.997 над вишекласним скуповима података, што представља значајно боље перформансе у поређењу са другим анализираним алгоритмима. Овај алгоритам такође постиже највише вредности у PR и ROC кривама, што указује на његов сврсисходан потенцијал приликом побољшања класификације података. Такође, посебан акценат стављен је на важност детекције и превенције упада у дистрибуиране системе, што је од критичног значаја за заштиту осетљивих здравствених података у ери здравства 4.0. Ефикасна класификација и заштита података осигурава, не само тачне дијагностичке и аналитичке процесе, већ и сигурност података од свих савремених потенцијалних безбедносних претњи по такав систем.