Классификация окон: Виды окон, классификация окон (материал, открывание, конфигурация, назначение)

Классификация окон

Классификация.

Во все времена при проектировании зданий архитекторы придавали большое значение окнам и уделяли их разработке особое внимание. Размещение окон на поверхности стен, размеры проемов, форма перемычек всегда оставались важными задачами для архитекторов в процессе проектирования. Для целостного, масштабного восприятия зданий особое значение уделялось изготовлению оконных переплетов. Так создавались фасады, которые, благодаря общему гармоничному впечатлению, отражали стиль того или иного времени.
Кроме сильного влияния на внешний облик зданий, окна, в значительной мере, воздействуют на качество интерьера и комфорт жилья.

В недавнем прошлом реализация замыслов архитекторов в плане формы, цвета и размера окон представляла существенную проблему. Для новых домов архитекторы проектировали красивые фасады с элегантно нарисованными окнами, но в реальности их изготовление, за редким исключением, сводилось к унылому и безликому ряду типовых столярных изделий.


Большинство людей относятся к окнам, как к обычным проемам в стене, созданным для освещения, вентиляции и, как максимум, для получения эстетического удовольствия от окружающей природы.
Однако архитекторы рассматривают современное остекление, как очень важный элемент комплекса проектирования, строительства и эксплуатации будущего дома.

Сегодня окна функционируют как неотъемлемые составные компоненты сложных абрисов строений. В наше время окна стали элементом сложных технологических систем, контролирующих свет, вентиляцию, влажность, пыль, звук и даже инфракрасное и ультрафиолетовое излучения. И ни один компонент здания не оказывает такого серьезного воздействия на проект, как окно: восприятие пространства, взаимоотношение с окружающей средой, эксплуатационные параметры строения, детали экстерьера и интерьера.
В настоящее время производители предлагают архитекторам все больше и больше возможностей для разнообразия оконных конструкций и дизайна: бесчисленные вариации степеней прозрачности, десятки разновидностей рам и способов их закрывания, разнообразие изоляционных материалов и оборудования систем безопасности.


С точки зрения энергосбережения окна успешно конкурируют с изолированными, утепленными фасадами зданий. Для разработки и установки окон в доме чрезвычайно важны климат, расположение и ориентация здания на местности, как, впрочем, и сама местность.
В материалах данного номера мы попытаемся дать нашим читателям возможность ориентироваться в безбрежном океане современных оконных технологий, с тем, чтобы при выборе окон для своего дома и переговорах с различными фирмами-поставщиками, они могли достаточно уверенно оперировать терминами, понятиями и определениями, понимать, что такое «стеклопакет», «профиль», «низкоэмиссионное стекло» и т.п.
Широкая номенклатура современных окон дает возможность классифицировать их по множеству признаков, отдельные из которых могут быть понятны только узким специалистам. Поэтому мы опишем только некоторые из них (наиболее общие признаки и классы современных окон).

Классификация окон по материалу изготовления.

Сегодня большая часть простых граждан знает: окна бывают «металлопластиковые» и «деревянные», а меньшая — слышала про «алюминиевые».
Мы хотим внести ясность и рассказать о материалах, из которых делают современные оконные конструкции.
Сегодня, когда в обиходе употребляют термин «металлопластиковые окна», строго говоря, смешивают два определения в одно: в современных оконных технологиях различают собственно металлопластиковые и пластиковые, точнее ПВХ-конструкции.
ПВХ (поливинилхлорид) является одним из самых ранних искусственных материалов. Впервые он был создан химиком Регнальдом в 1835 г. Начиная с 1912 г. начались поиски возможностей промышленного выпуска ПВХ, и уже в 1931 г. концерном BASF были выпущены первые тонны этого материала (правда, в то время цели его применения были очень далеки от изготовления оконных рам).

В начале 50-х гг., сначала в США, а затем и в Европе, началось активное использование ПВХ в качестве материала для оконных рам. Самый первый патент на производство окон и рам из ПВХ был зарегистрирован в 1952 г. в Германии.
Первые каркасы из поливи-нилхлорида представляли собой металлическую основу, облицованную мягким или полумягким ПВХ. Несколько позднее начался выпуск профилей из твердого поливинилхлори-да, который частично усиливался деревянными или металлическими вкладышами.

Итак, современные окна можно разделить по материалу изготовления на следующие основные классы:
• пластиковые (ПВХ) окна;

• металлопластиковые;
• деревянные;
• алюминиевые.

Пластиковые (ПВХ) окна.

Самыми распространенными на сегодняшний день оконными конструкциями, безусловно, являются пластиковые, или изготовленные из ПВХ.
ПВХ-окна имеют достаточно высокие эксплуатационные характеристики, они надежны и практичны, имеют высокую теплоизоляцию, пожаро-безопасность. При необходимости можно выбрать пластиковые окна, покрытые шпоном ценных пород дерева, которые совмещают текстуру и эстетику древесины и качества пластика.
Однако, необходимо учитывать, что они должны быть изготовлены специально для наших климатических условий, т. к. не вся представленная на нашем рынке продукция, особенно малоизвестных фирм, может выдержать сильные перепады температуры, характерные для нашей страны.

Тем не менее, практически все бренды-производители окон учитывают особенности нашей страны, ориентируются на них, выпуская модели с многокамерными профилями и стеклопакетами, дополнительными уплотнителями и т. п.

Удобство пластиковых окон состоит в том, что они представляют собой единую конструкцию, которая легко и быстро устанавливается, а также достаточно герметична и защищает помещение от пыли, холода, шума.
В свою очередь, у современных ПВХ-окон имеются свои слабые места, которые производители пытаются решить конструктивными приемами.
Первое и самое главное — нарушение естественного воздухообмена и влажности в помещении вследствие чрезвычайной герметичности конструкции. Эта проблема решается с помощью систем приточной вентиляции или оконных конструкций с установленными проветривателями.

Металлonластиковые окна.

Такие окна являются, по сути дела, сборной конструкцией — в них используются профиль из ПВХ и армирующий усилитель из оцинкованной стали.

Поэтому, металлопласти-ковые окна можно считать более прочными, чем пластиковые с сохранением всех их положительных свойств.
Однако, главный недостаток ПВХ-окон — нарушение воздухообмена, присущ также ме-таллопластиковым окнам, и собственно, всем современным оконным конструкциям, независимо от материала, из которого они изготовлены, будь то деревянные или алюминиевые.
Деревянные окна. Самый старый и традиционный материал для изготовления окон — это, безусловно, дерево. Мы имеем ввиду не те деревянные окна, которые до сих пор установлены в старых домах (ссохшиеся, с трещинами, многократно крашенные), а совсем другие — современные, экологически чистые, изготовленные с соблюдением всех правил, зачастую из ценных пород: красного дерева (меранти), дуба, лиственицы, эвкалипта, ясеня.
Нужно отметить, что  обычно цена на деревянные оконные    конструкции выше, чем на ПВХ или металлопластиковые окна.

Алюминиевые окна.

Такие окна в жилых домах используются реже, они  более востребованы для общественных зданий и промышленных сооружений. Этому есть несколько  причин, в частности, чисто психологических: алюминий, как материал для изготовления окон достаточно непривычен, к тому же, воспринимается как холодный металл.

Это действительно так ,у него высокая теплопроводность, однако, профили, изготавливаемые из алюминия, могут быть как холодными, так и теплыми. В последнем случае при изготовлении алюминиевого окна используются утеплители и уплотнители, а также технологии, позволяющие добиться более высокого сопротивления теплопередачи и нормальной теплоизоляции.
Алюминиевые профили, ввиду их высокой прочности и технологичности, применяют чаще всего для остекления больших поверхностей — витрин, зимних садов, витражей, складских помещений, крыш, различных сложных криволинейных поверхностей и т.п.

Можно отметить также такие комбинированные конструкции, как алюмо-деревянные или дерево-алюминиевые.
Это специфические алюминиевая конструкции, на внутренней стороне которых расположены деревянные накладки. Таким образом, несомненно, хорошие качества древесины (например, теплозащита) одновременно усиливаются алюминиевым профилем который и защищает дерево от воздействия окружающей среды.

Вообще, все рассмотренные виды материалов, используемых для изготовления окон, совершенно разные. Конечно, первенство по соотношению «цена-качество» при использовании в городских квартирах остается за пластиковыми окнами (ПВХ), но и деревянные, и алюминиевые конструкции, благодаря своим качествам, могут быть востребованы в определенных случаях.

Классификация окон по типу открывания.

Все старые типовые окна были устроены и открывались совершенно одинаково — практически все они были распашными, вращались вокруг вертикальной оси, в редких случаях форточки над ними были откидными и вращающимися вокруг горизонтальной оси. Появление современной фурнитуры позволило сконструировать окна, которые кардинальным образом расширили возможности и способы их открывания.

Тем не менее, все способы открывания окон можно привести к нескольким основным классам, внутри которых могут существовать различные вариации, обусловленные, в основном, требованиями заказчиков к каждой конкретной конструкции.

Глухие (неоткрываемые) окна (рис. 1). Из самого определения понятна их конструкция — они не открываются. Такие окна устанавливаются, преимущественно, в высотных зданиях и там, где они требуются по соображениям безопасности. Большой недостаток таких окон, что они требуют для помещения обязательной, принудительной вентиляции, и их трудно мыть.Обычно этим занимаются специализированные компании.


Распашные (поворотные) окна (рис. 2). Традиционный и хорошо известный со старых времен тип окна. С экономической точки зрения, это, пожалуй, самый выгодный вариант: он требует минимума комплектующих. Оконный проем может быть полностью открыт, и в мытье таких окон нет ничего сложного.


Откидные окна (рис. 3). Из самого названия этих окон следует, что открываются они в верхней части (то есть откидываются). До наружного стекла такого окна добраться нелегко, например, в случае если надо его помыть.

Поворотно-откидные окна (рис. 4). Такие окна открываются как традиционным (распашным), так и откидным методом. Нужный вариант открывания выбирается положением ручки.
Поворотное положение, в котором ручка повернута горизонтально, дает возможность воздуху достичь стекла с обратной стороны створки, а также обеспечивает беспрепятственный приток воздуха. Если нужно добиться откидного положения створки, ручка поворачивается вертикально вверх. Это положение очень удобное для проветривания, особенно в зимний период времени. При этом сквозняки исключаются из-за того, что свежий и холодный воздух поступает из окна сверху.
В настоящее время поворотно-откидные окна являются самыми распространенными при строительстве новых домов, а также при замене старой «доперестроечной столярки».
Другие варианты — подъемные, раздвижные, подъемно-распашные, подъемно-поворотные и многие другие мы рассматривать не будем, т.к. они применяются редко для использования в каких-либо конкретных условиях.

Виды окон, классификация окон

Окна люди придумали для пропуска дневного света в комнаты. А также при их помощи осуществляется обмен отработанного воздуха на свежий его приток.

Виды окон по материалу изготовления

С незапамятных времен основным материалом для изготовления оконных блоков было дерево. Если дома обычно строили и строят сейчас из хвойных пород деревьев, то виды окон по материалу бывают разные. Используют дефицитный дуб, бук, граб и другие.

Сегодня на смену дереву пришли новые материалы. Из них изготавливают искусственным путем пластиковые профили для окон. На данный момент это универсальные оконные ограждающие конструкции, которые стопроцентно изолируют комнаты от уличного холодного воздуха. Окнами из ПВХ сначала оборудовали жилые дома, офисы, государственные упреждения в Европе. На данный момент эта мода на оконную революцию приняла вселенские масштабы в России и странах СНГ. Привлекает в новых окнах эстетичность, практичность в использовании, почти нулевая теплопроводность, недорогая ликвидная цена.

Алюминиевые оконные блоки также имеют много достоинств. Это небольшой вес и долгий срок эксплуатации. Изящно смотрятся снаружи. Не требуют дополнительного ухода. Но они обладают повышенной, по сравнению с ПВХ, теплопроводностью. И дороже по цене.

Массово используются оконные деревянно-алюминиевые окна. То есть каркас из алюминия, а рамы, заключенные в него, из дерева. Это отличный вариант сублимации, при которой важные эксплуатационные характеристики увеличиваются в разы,

Виды окон по конфигурации

Классическая философия экстерьера и интерьера здания требует разнообразия оформительских элементов, в список которых входят и окна. Для каждого типа здания подбирают нужные виды окон по конфигурации. По географической форме они могут быть такими, какими хочет видеть их промышленный дизайнер. Круглыми, полукруглыми, овальными, эллипсоидными, пирамидальными, трапециевидными, комбинированными окнами и так далее. Все зависит от фантазии архитектора и оформителя экстерьера объекта. Но классической формой признаны окна прямоугольной формы. Этот вид оконных ограждений в общем объеме составляет самый высокий процент. И что важно, инновационные технологии и оборудование способны создавать окна выше перечисленных форм не только из дерева, но из ПВХ и других материалов.

Виды окон по открыванию

При эксплуатации зданий немаловажную роль играют типы открывания оконных ограждающих конструкций. Выбирая виды окон по открыванию, архитектор обеспечивает не только максимальную экономию тепловой энергии внутри помещений, но и эффективное удаление отработанного воздуха на приток свежего нужного количества. Классифицируя оконные проемы по способу открывания, стоит отметить, что они могут быть:

  • глухими;
  • на цапфах;
  • нижнеподвесными;
  • верхнеподвесными;
  • с открывающимися створками;
  • раздвижными и так далее.

Современные окна из ПВХ обладают особыми секретами вентиляции помещений. Это осуществляется путем манипуляций запорной ручкой. Установив ее в нужное положение, створка окна может открыться только сверху, а низ останется зафиксированным, Другое положение ручки позволит «включить» режим микроскопического вентилирования. Окна также можно открывать полностью, что и делается в особенно жаркие летние дни.

Классификация окон по назначению

Знание назначения оконных ограждающих конструкций поможет избежать ошибок при их выборе и покупке. Классификация окон по назначению предусматривает не только разделение их на внутренние и наружные, но на мансардные, балконные, витринные и другие типы. Каждый вид имеет свои специфические конструкционные особенности и может иметь отличия по способу монтажа.

В контексте статьи необходимо сказать и о том, что площадь окна особенно рациональна, если она составляет одну восьмую часть площади пола.

Итоги

В данный момент в стране тысячи компаний производят и осуществляют установку оконных ограждающих конструкций. В их числе и наше предприятие, оказывающее профильные услуги по самым демократическим ценам.

Автор: Алексей Метрофанов
Материал подготовлен специально для сайта yaydom.ru

Виды окон ПВХ — Статьи от производителя окон и дверей ПВХ VEKA

Пластиковые окна — это конструкции с высокими характеристиками тепло- и звукоизоляции, в основе которых ПВХ-профиль. Оконная система дополняется стеклопакетом, фурнитурой и уплотнителями. Окна ПВХ изготавливаются разных форм, размеров и конфигураций.

Окно выполняет в доме несколько функций: пропускает в помещение естественный свет, ограждает от холода и шума, защищает от злоумышленников, служит для проветривания. Оно должно решать множество задач, и поэтому качественное пластиковое окно — это сложная инженерная система.

Устройство окон ПВХ

Говоря упрощённо, пластиковое окно состоит из трёх компонентов:

  • рама и створка, изготовленная из ПВХ-профиля
  • стеклопакет
  • фурнитура.

ПВХ-профиль

Основа окна — рама (коробка, или неподвижная часть)  и створка (открывающаяся часть). Горизонтальные и вертикальные перегородки, которые делят оконную коробку на две или более частей, называется импостами. Все эти элементы изготавливаются из ПВХ-профиля. От их долговечности зависит срок службы и функциональность всего окна, именно поэтому выбор окна начинается с выбора ПВХ-профиля.

ПВХ — сокращённое название поливинилхлорида, основного вещества, из которого изготавливается профиль. Для придания профилю необходимой термической стабильности и прочности используется стальное армирование. Перегородки делят внутренний объём профиля на изолированные полости, которые называются камерами. Они улучшают теплоизоляционные характеристики окна, увеличивают жёсткость профиля, в них размещается металлическое армирование.

В зависимости от толщины стенок ПВХ-профиль подразделяется на три класса:

  • класс A: внутренние стенки — 2,5 мм, внешние — не менее 2,8 мм; оптимальный вариант для изготовления окон жилых домов; 
  • класс B: внутренние стенки — 2 мм, внешние —  не менее 2,5 мм; используется для остекления стандартных проёмов в жилых домах, а также производственных и складских помещений
  • класс C: толщина стенок не регламентируется, используется для временных построек.

Только профиль класса А обладает необходимой прочностью для длительной безотказной эксплуатации— створки таких окон не провисают со временем. Поэтому все профили с именем  VEKA – это исключительно ПВХ-профиль класса А.

Чем шире профиль, тем больше в нём камер и тем лучшими тепло- и звукоизоляционными характеристиками может обладать окно. Кроме того, широкий профиль позволяет устанавливать более широкий стеклопакет. По ширине профили делятся на три основные категории: 58–62 мм, 64–70 мм и 80–90 мм.

Стеклопакет


Стеклопакет — конструкция из двух или более листов стекла. Расстояние между стёклами задаётся дистанционной рамкой из металлического сплава или полимерной композиции. Внутри рамки находится абсорбент — влагопоглощающий материал, который предотвращает образование конденсата на внутренней поверхности стекла.

Камеры заполняются осушенным воздухом. Иногда вместо него используется аргон или ксенон, обладающие лучшими теплоизолирующими свойствами.

Однокамерные стеклопакеты обеспечивают удовлетворительную теплоизоляцию. Двухкамерные — оптимальный вариант для жилых помещений в средней полосе России. Трёх- и более — решение для регионов с холодным климатом или повышенной шумовой нагрузкой.

Увеличение количества стёкол почти не влияет на светопроницаемость стеклопакета, но зато улучшает его энергоэффективность и шумоизоляцию. К сожалению, такие окна не только дороже, но и значительно тяжелее. В некоторых случаях масса окна может иметь значение.

Фурнитура

Грамотно подобранная фурнитура делает использование окна удобнее и повышает его функциональность.

Фурнитура пластиковых окон включает:

  • ручки, замки, блокираторы;
  • петли и подвесы для створок;
  • дополнительные противовзломные элементы, детские замки;
  • солнцезащитные жалюзи и устройства для микропроветривания.

Также покупатель может заказать цвет профиля, отделку его поверхности и украсить окно дополнительными декоративными элементами, например шпросами.

Многообразие оконных конструкций

Покупатель имеет возможность выбрать количество створок окна и их ширину. По типу открывания пластиковые окна могут быть:

  • глухими — створки не открываются;
  • поворотными — створки поворачиваются относительно вертикальной оси;
  • поворотно-откидными — поворачиваются вокруг вертикальной оси или откидываются;
  • раздвижными — створки сдвигаются влево или вправо вдоль плоскости окна, благодаря этому экономится площадь.

Технология позволяет изготавливать не только прямоугольные окна, но также круглые, овальные, треугольные и другие.

Простые окна

Окна экономкласса. Простота конструкции и комплектации сочетается с качеством и надёжностью. В окне используется ПВХ-профиль Euroline классического белого цвета и однокамерный стеклопакет, обеспечивающий минимальный уровень теплоизоляции и шумозащиты.

Энергоэффективные окна

Конструкция и комплектация окна нацелены на достижение максимальной энергоэффективности:

  • используется широкий ПВХ-профиль с большим количеством камер;
  • используется двух- или трёхкамерный стеклопакет, который может быть заполнен инертным газом;
  • для уменьшения теплопотерь через излучение на поверхность стекла наносится металлизированное напыление, отражающее тепловые инфракрасные лучи внутрь помещения;
  • окно комплектуется системой микропроветривания, сводящей теплопотери к минимуму.

Шумоизоляционные окна

Использование почти всех энергосберегающих приёмов одновременно — широкого профиля, толстых многокамерных стеклопакетов и дополнительных контуров уплотнения — ведёт и к повышению шумоизоляционных характеристик пластиковых окон.

Однако есть и дополнительные ухищрения. Например, двухкамерный стеклопакет с разной толщиной стёкол и несимметричной шириной камер защищает от внешнего шума на 20% лучше, чем обычная двухкамерная система. Такие стеклопакеты называют антирезонансными.

Использование вместо обычных стёкол закалённых или триплекса также улучшает звукоизолирующие характеристики окна.

Противовзломные окна

Нужно заметить, что абсолютно неприступных окон не существует в природе. Любое, даже самое защищённое окно уязвимо. Задача состоит в том, чтобы максимально затруднить для потенциального взломщика проникновение в дом через окно. Злоумышленник либо откажется от своих намерений и выберет себе цель полегче, либо провозится со взломом окна до прибытия охраны или наряда полиции.

С точки зрения взломостойкости лучшие окна ПВХ отличаются:

  • антивандальными стеклопакетами: вместо обычных стёкол используются ударопрочные закалённые или триплекс;
  • усиленными пяти- шестикамерными профилями;
  • специальной фурнитурой: используются броненакладки на замки, дополнительные запоры, более прочные петли и т. п.

С такими окнами нет необходимости устанавливать на окна решётки. Более того, с точки зрения пожарной безопасности использовать решётки просто недопустимо, так как окно является одним из возможных путей эвакуации людей во время пожара.

Солнцезащитные окна

Защиту от солнечных лучей обеспечивают i-стёкла и k-стёкла — элементы с металлизированным напылением. Теплосберегающее покрытие пропускает в помещение только видимую часть спектра солнечного света.

Окна для детских комнат

При изготовлении окон ПВХ для детских комнат производители делают упор на использование безопасного остекления и защитной фурнитуры. Детские замки не позволяют распахнуть створку настежь, но не мешают проветриванию.

Наилучшим вариантом остекления для детской комнаты является триплекс. При его изготовлении между двумя стёклами вклеивается специальная плёнка. Благодаря этому стекло гораздо труднее разбить, но даже если это случится, плёнка не позволит стеклу рассыпаться на осколки и поранить ребёнка.

Кроме того, в комнате, где живёт ребёнок, важно поддерживать оптимальный микроклимат. Для этого окна оснащаются системой микропроветривания. Стеклопакет может комплектоваться тонированными стёклами, которые ослабляют слишком яркий солнечный свет; встроенные жалюзи также совершенно безопасны в детской.

Преимущества окон ПВХ перед альтернативными вариантами

Пластиковые окна надёжно защищают помещение от холода, осадков, ветра, пыли и шума. Они долговечны и требуют минимального обслуживания. Качественные изделия от известных брендов не теряют привлекательности десятки лет.

«Пластик» безопасен для здоровья — вопреки расхожему мнению, он не выделяет вредных веществ. Поливинилхлорид пожаробезопасен — окна не горят, а плавятся.

Конструкции разнообразны — легко подобрать окно с оптимальной комплектацией и по карману. Современная продукция вариативна и в дизайнерском плане — можно заказать окно практически любой формы и расцветки.

Окна VEKA — это тишина и безопасность, тепло и уют. На фоне достоинств немецкого «пластика» обычные окна кажутся неудобными и непрактичными. Так и есть — после знакомства с технологичными системами вопросы об их преимуществах больше не возникают. Плюсы очевидны.

Классификация пластиковых окон | «СеверСервис»

Есть много моделей окон из ПВХ, и каждая имеет свои преимущества, недостатки, а также цену, что и является главной движущей силой к возникновению некоторых из них. Рассмотрим самые известные виды пластиковых окон, чтобы каждый мог для себя решить еще до прихода в магазин, какие окна нужны в дом, квартиру. Притом одни из разновидностей можно установить в комнатах, другие на кухне, а третьи разместить в ванной комнате.

Основания для классификации

Пластиковые окна классифицируют по механизму открывания, самые известные и часто используемые покупателями — это поворотные, поворотно-откидные и глухие. На этих трех видах список не заканчивается, но покупатели используют зачастую лишь эти, самые популярные. Если хочется новшества и блеснуть более необычной моделью окна, можно узнать и о других видах, но это уже и повышенная цена. Будем придерживаться этого списка, так как большая часть населения устанавливает только эти модели.

Неподвижные или, как их называют, «глухие» окна ПВХ

Иногда возникает необходимость заблокировать одну из створок окна, чтобы она не открывалась или для увеличенного обзора и вставки большого размера стекла. Такую створку с самого начала делают неподвижной, — «глухой». Глухие пластиковые окна — это наглухо установленные конструкции, они не могут вообще открываться. Для чего такая модель существует? Ее цена минимальна, а значит, популярность есть и в ней. Но, конечно, помыть на энном этаже такое окно невозможно, проветривание также недопустимо в данном случае. И, казалось бы, из-за этого неправильно покупать такое окно. И это было бы так, если бы не возможность комбинирования: глухие пластиковые окна, как и обычные, можно комбинировать. Например, установить одновременно поворотное окно и глухое, при этом процент зависит лишь от желания заказчика. Можно на 70% от всей площади установить глухое окно, а на остальных 30% поворотное или поворотно-откидное. В данном случае можно уже и проветривать помещение и мыть без проблем окна, хотя это и не так удобно, как при открытом окне. Популярность таких комбинаций лишь в одном — глухие окна очень дешевы, ведь одна из важных частей (фурнитура) в них отсутствует.

Поворотные пластиковые окна

Это пластиковые окна, которые позволяют открываться створкам окна в одном направлении. Это классический вариант окна, которое открывается как обычное – в сторону (правую). Здесь, в принципе, не о чем разглагольствовать.

Поворотно-откидные пластиковые окна

В наше время очень популярными стали поворотно-откидные окна. Эти пластиковые окна могут открываться как внутрь помещения поворотом, так и откидываться, что позволяет проветривать помещение без убирания цветов с подоконника.

Откидные пластиковые окна

Откидные окна открываются сверху. Их используют и устанавливают на лестничных пролетах, где створчатые окна могут стать источником опасности, в подвалах, а также в помещениях, где открытые створки окна могут помешать. Этот вид самый интересный и популярный. Его структура имеет загадочную фурнитуру, при одном из поворотов защелки окно открывается как обычное, поворачивается в сторону, но если повернуть защелку под другим углом, окно откидывается. Это очень хорошо использовать летом, когда в помещениях очень жарко, но при открытии створка занимает много места в помещении. Окно в этом случае отклоняется на некоторый градус в верхней части, пропуская свежий воздух. Стоит также сказать, что данные методы открытия зависят от фурнитуры, хотя, по сути, они именно такие везде. Но есть фурнитура, которая снабжена режимом зимнего проветривания. Если в окнах с такой фурнитурой ручку установить по диагонали, то есть в положении между открытием для поворота и откидывания, такое окно лишь слегка отклоняется на миллиметр-второй. Этого достаточно, чтобы в дом поступал свежий воздух в необходимом количестве, не охлаждая сильно помещения. Как видим, в стеклопластиковых окнах все предусмотрено, и каждая модель радует своими дополнительными свойствами.

Поворотно-откидные пластиковые окна имеют цену, превышающую цену поворотных окон, но из-за двух способов открывания в одном окне они очень популярны и часто используются рядовыми гражданами. Поэтому данную модель можно даже назвать одной из самых популярных, разве превышение цены на некоторый процент может окупить повышенные удобства? Кто использует поворотно-откидные окна, знают, что за это стоило заплатить больше.

Пластиковые окна, которые открываются в обе стороны

Пластиковое окно, которое открывается в обе стороны, вращается вокруг своей же оси в горизонтальной и вертикальной плоскости. Данный тип окон ПВХ особенно подходит для окон больших размеров. Преимущество этого окна в том, что можно без проблем помыть как внешнюю, так и внутреннюю поверхность окна изнутри.

Итак, окна пвх перестали быть доступными лишь состоятельным людям. Сегодня их может позволить себе каждый. Преимущества окон ПВХ продолжают расти: экологичность, безопасность, теплоизоляция, звукоизоляция, защита от пыли и грязи.

Теперь, когда известны самые распространенные разновидности окон из пластика, остается лишь подобрать нужное. Притом не бойтесь комбинировать. При правильном подходе внешний дизайн таких окон будет еще более приятен глазу, чем при установленном сплошном дорогостоящем окне ПВХ с поворотно-откидным механизмом. А если есть деньги, можно пофантазировать с другими моделями, о которых прочитать можно без проблем на просторах Интернета. И чтобы дом смотрелся лучше, при выборе посоветоваться со специалистами – дизайнерами, стилистами, которые всегда дадут дельный совет, учтя даже желание сэкономить. Дом должен быть со вкусом оформлен, а окна — одна из главных частей любого дома, ведь они попадают на глаза первые, не так ли?..

Какие бывают окна, всё что надо знать про ваши окна

Классификация окон по назначению: наружные, внутренние. По количеству створок: одностворчатые, двухстворчатые, трехстворчатые.

Всё что надо знать про ваши окна

Окно — светопрозрачное ограждение, предназначенное для естественного освещения и проветривания.

Элементы оконного заполнения

  1. Оконная коробка в виде прямоугольной рамы, которую усиливают вертикальным брусом-импостом и горизонтальным бруском-середником;
  2. Остекленные переплеты, состоящие из створок, фрамуг и форточек;
  3. Подоконная доска из дерев, бетона, пластика, стекла и т.д.;
  4. Водосливы из оцинкованной или окрашенной стали.

Для жилых зданий площадь окна должна быть в пределах 1/8 — 1/5 от площади пола помещения.

Разновидностью окон являются: витрины — предназначены для экспозиции товаров; их несущим элементом является металлический каркас, для остекления используют большеразмерное витринное стекло (3,5х4,5 м), толщиной от 8 мм.

Витражи — светопрозрачные участки фасада.

Классификация окон

По назначению:

  • наружные;
  • внутренние.

По количеству створок:

  • одностворчатые;
  • двухстворчатые;
  • трехстворчатые.

По способу открывания и конструкции створок:

  • с глухими переплетами;
  • с открывающимися переплетами;
  • раздвижные;
  • верхнеподвесные;
  • нижнеподвесные;
  • на цапфах.

По числу рядов остекления:

  • с одинарным остеклением;
  • с двойным;
  • с тройным.

По виду светопрозрачного материала:

  • из обычного стекла;
  • из специального стекла (солнцезащитное, декоративное).

Требования к окнам

  • Прочность
  • Долговечность
  • Индустриальность
  • Теплоизоляция
  • Звукоизоляция
  • Удобство в эксплуатации
  • Эстетичность
  • Экономичность

Установка оконных блоков

Переплеты из обвязок и горбыльков (промежуточные элементы). Стекла вставляют в четверти (фальцы), расположенные с наружной стороны обвязки и крепят гвоздями или штапиками. К нижней обвязке с наружной стороны крепят отливы для стока атмосферных вод.

Одной из главнейших составляющих уютного дома являются окна. Именно они позволяют свету проникнуть в наше пространство, расширяя его границы. Рассмотрим главные оконные элементы.

Створки и рамы

Рама — каркасная часть окна, крепко соединенная со стенами.

Створки — не зафиксированные компоненты, в которых крепится стеклопакет. Их подвижность и маневренность зависит от выбранной фурнитуры: конструкция может растворяться, словно дверь, отбрасываться или открываться, вращаясь вокруг вертикальной или горизонтальной оси, в разных направлениях.

Для повышения жесткости в двустворчатых и многостворчатых окнах предусмотрены импосты — особенные перекладины. Если окно оснащено штульповым механизмом (в закрытом положении створки входят друг в друга), то потребности в межстворчатых перегородках нет.

Для защиты от влаги с наружной стороны створок находится отлив.

В настоящее время функции запора успешно выполняет ручка окна.

Перемычки, встроенные на нужном расстоянии над окном, помогают снизить давление на конструкцию.

Классификация окон по типу открытия

Неподвижные или «глухие» окна

Если в мобильности какой-либо створки нет необходимости, то её можно сразу сделать «глухой», то есть статичной.

Чтобы оконное устройство успешно действовало длительное время, необходимо придерживаться выверенных пропорций. При отпирании слишком большого окна, его детали и механизмы будут подвергаться излишней нагрузке под тяжестью стеклопакета, что, несомненно, окажет отрицательное воздействие на срок и качество службы изделия. Наиболее благоприятна прямоугольная форма (130 на 80 сантиметров).

Поворотные — окна, которые могут отворяться лишь в одном единственном направлении.

Для повышения уровня безопасности и удобства существуют откидные окна, конструкция которых позволяет открывание верхней части.

Окна, обладающие возможностью распахиваться в помещение как поворотом, так и путем откидывания, называются поворотно-откидными. Такой механизм является более популярным, так как предоставляет больше вариантов открытия.

Многостворчатые окна

Согласно «золотой середине» — наиболее удачному балансу размеров — оптимальными соотношением ширины створок будет являться 3 к 5. При небольшой величине проема рекомендуются откидывающиеся либо открывающиеся поворотом двустворчатые окна. Если ширина окна превышает два метра, логичней избрать вариант с тремя створками.

Двустороннее открытие

Окна, открывающиеся в две стороны, способны двигаться в вертикальной и горизонтальной плоскостях, относительно собственной оси, что дает неоценимое преимущество при мытье поверхности. Они рекомендуются для широкомасштабных проемов.

Дата публикации статьи: 28 марта 2018 в 02:10
Последнее обновление: 29 сентября 2021 в 11:49

Классификация пластиковых окон по типу, камерам, механизмам открытия

Выбрать и заказать

Способы оплаты

Оплата наличными
Безналичный расчет
Счет на оплату
Оплата в кредит

Гарантия
на окна из всех видов профиля и монтаж
5 лет

Жилище современного человека, будь то загородный дом или недвижимость в городе невозможно представить без пластиковых окон. Существует огромное множество фирм-изготовителей, конструкций, марок — разобраться во всем этом обилии предложений отнюдь не просто. Именно поэтому прежде, чем купить пластиковые окна, мы рекомендуем Вам изучить все предложения и сделать правильный выбор.

По способу открывания:

 

  • Поворотные, с креплением створок по бокам — они схожи с привычными для нас деревянными окнами. Однако в отличии от окон деревянных, окна пластиковые, цены на которые немного выше, могут иметь и другие конструктивные концепции.
  • Откидные окна — имеют крепления, схожие с фрамугой. Причем крепежные элементы могут находиться и снизу, и сверху створок.
  • Поворотно-откидные — являются самыми универсальными и популярным видом, с комбинацией креплений, свойственных как для откидных, так и для поворотных конструкций.
  • Глухие — не имеют открывающихся створок, то есть, не открываются вообще. Они более дешевые, но неудобны.

 

 

По типу и количеству камер стеклопакетов:

  1. Безкамерные — являются самым дешёвым вариантом, очень плохо сохраняют тепло и в связи с этим применяются в основном только в промышленных помещениях или для перегородок внутри помещения.
  2. Однокамерные — уровень теплоизоляции достаточно низкий, но благодаря низкой стоимости их применяют в общественных помещениях больших размеров (торговых и выставочных центрах) 
  3. Двухкамерные — идеальное сочетание цены и качества, две камеры дают достаточые тепло и звукоизоляцию для применения в жилых, офисных и общественных помещениях. 
  4. Трёхкамерные — дают практически полную шумоизоляцию и А класс сохранения тепла.

 Для наиболее правильного выбора подходящих окон для Вашего помещения — мы рекомендуем обратиться за консультацией специалиста. 



Компания «Наука»

Изготовление пластиковых окон под размеры заказчика.

Монтаж «под ключ»

  • Замеры
  • Изготовление конструкции
  • Изготовление подоконников, сливов, откосов
  • Демонтаж старого окна
  • Монтаж нового окна

Гарантия 5 лет.

Возможность покупки окон в кредит.

Звоните по телефону +7 (343) 305-01-66


Заказать расчет цены или задать вопрос Вы можете заполнив эту форму

Какие бывают пластиковые окна — все виды с фото

Качественные пластиковые окна способны прослужить до 50 лет при правильной установке и уходе. Но нередко встречаются пользователи, которых не устраивают оконные конструкции в их доме. Обычно это обусловлено не качеством конкретных окон, а неправильным выбором типа оконных изделий. Чтобы сделать правильный выбор пластиковых оконных конструкций, надо знать, какие бывают виды пластиковых окон. Узнайте об этом сейчас.

Классификация по типу конструкции

Пожалуй, первый параметр, который бросается в глаза при рассмотрении пластикового окна, это исполнение его конструкции. Среди покупателей востребованностью пользуются указанные пять разновидностей конструкции:

  • Одностворчатые. Эти изделия используются для монтажа в оконных проемах небольшой ширины. При этом створка либо открывается одним из способов, либо глухая, то есть без возможности открывания. Оконные конструкции такого формата часто встречаются в зданиях сталинской и хрущевской застроек.
  • Двухстворчатые. Как понятно из названия, рама представлена двумя створками. Одна открывается, тогда как вторая остается глухой. Это универсальный вариант, подходящий к большинству оконных проемов в современных городских и частных домах. По этой же причине такие окна одни из наиболее популярных.
  • Трехстворчатые. Ввиду большой ширины такие изделия устанавливаются в крупных оконных проемах, в том числе в гостиных и спальных комнатах. В большинстве случаев две створки глухие, тогда как третья открывается – зачастую она устанавливается посередине. Но встречаются и более экзотические варианты.
  • Балконный блок. Под этим названием скрываются конструкции, которые представляют собой комплекс из окна и двери. Такие изделия монтируются на выходе из квартиры на балкон или на лоджию. Плюс в том, что упрощается монтаж, не надо устанавливать элементы по отдельности, подбирая размер и стиль.

В отдельную категорию можно выделить виды пластиковых окон для балконов и лоджий. Их отличие в том, что они прочные, но при этом легкие. Объясняется это потребностью сохранять жесткость несмотря на большую площадь остекления. Нередко для экономии окружающего пространства такие изделия оснащаются створками раздвижного типа. Особенно часто такой формат используется для установки в небольшие лоджии и на балконы.

Классификация по типу открывания

Вариант открывания ПВХ-окна – такая же важная характеристика, как и количество створок. Часто как раз из-за неграмотного выбора изделий по этому параметру в дальнейшем пользователи испытывают неудобства в ходе эксплуатации окон. Этого можно избежать, если знать, какими бывают типы открывания. Они приведены ниже:

  • Поворотный. Стандартный вариант открывания, который был изобретен задолго до появления ПВХ-окон. Традиционное исполнение – поворачивание в направлении слева направо. Однако существуют изделия, в которых створка может поворачиваться в направлении справа налево, а также вверх или даже вниз.
  • Откидной. ПВХ-окна с откидным типом открывания часто устанавливаются в ограниченных пространствах – там, где поворотные створки будут занимать слишком много места по радиусу движения. Еще один плюс – безопасность. Через откинутую часть рамы животным и детям гораздо сложнее вылазить и окна.
  • Поворотно-откидной. Это универсальное решение, которое сочетает в себе принцип работы двух типов, указанных выше. Более сложная, но удобная в использовании система, которая применима к арочным и другим сложным оконным конструкциям. Можно применять щелевое проветривание, что удобно зимой.
  • Раздвижные. В таких ПВХ-конструкциях створки сдвигаются по особым направляющим параллельно раме вправо или влево. Главное преимущество этих изделий заключается в экономии пространства. Поэтому раздвижные ПВХ-окна устанавливаются на небольших лоджиях и балконах, в других малых помещениях.

Выше представлены четыре самых популярных вида пластиковых окон по типу открывания створок. Меньшей распространенностью отличаются складные и штульповые механизмы. Особый интерес представляют складные изделия. Нередко устанавливаются в помещениях, где требуется организовать большую площадь остекления.

Классификация по типу стеклопакета

Устройство и параметры рамы – не единственное, на что надо обращать внимание при выборе ПВХ-окна. Так как не менее важной частью пластикового окна является стеклопакет, его тоже надо выбирать внимательно. Виды:

  • Однокамерный. Стеклопакет такого плана состоит из двух стекол, между которыми располагается одна воздушная камера. Самый простой вариант, который не способен обеспечивать серьезное утепление. Окна с одним стеклопакетом ставятся в неотапливаемых помещениях и в проемах, смотрящих на ЮГ.
  • Двухкамерный. Устройство такого стеклопакета включает в себя три стекла. Поэтому внутри пакета не одна, а уже две воздушные камеры, разделенные средним стеклом. Такое исполнение лучше сохраняет тепло и хуже пропускают звуки с улицы. Двухкамерные стеклопакеты оптимальны для жилых комнат.
  • Трехкамерные стеклопакеты. Нетрудно догадаться, что речь идет о конструкции, представленной сразу четырьмя стеклами и тремя воздушными камерами. Каждая из этих камер располагается между двумя соседними стеклами. ПВХ-окна с такими стеклами ставятся на северной стороне и на высоких этажах.

Также многообразие видов пластиковых окон объясняется большим количеством дополнительных опций. Так, существуют автоматические, энергосберегающие, звукоизоляционные и другие разновидности ПВХ-конструкций. Они могут комплектоваться детскими замками, антивандальной фурнитурой, гребенкой, вентиляционными клапанами и системами проветривания, в т. ч. зимнего. Это тоже обеспечивает разнообразие пластиковых окон.

Запутались в многообразии ПВХ-окон и не знаете, что выбрать? Предлагаем обратиться в нашу компанию. Мы не только поможем с выбором, но и предложим оптимальные окна, доставим по вашему адресу и сделаем монтаж.

Эффективная классификация данных временных рядов с использованием метода скользящего окна на основе улучшенного анализа правил ассоциации с усовершенствованной машиной опорных векторов | Senthil

[1] Мотоёси М., Миура Т. и Ватанабэ К., «Извлечение временных классов из данных временных рядов», Материалы 11-й Международной конференции ACM по управлению информацией и знаниями , (2002), стр. 493–498.

[2] Плант С, Вольшлегер А.М. и Жердин А., «Кластеризация многомерных временных рядов на основе взаимодействия», Девятая международная конференция IEEE по интеллектуальному анализу данных , (2009).

[3] Эльфеки М.Г., Ареф В.Г. и Эльмагармид А.К., «Обнаружение периодичности в базах данных временных рядов», IEEE Transactions on Knowledge and Data Engineering , Vol. 17, (2005), стр. 875–887.

[4] Горунеску Ф., Концепции, модели и методы интеллектуального анализа данных , Springer, Румыния, (2010).

[5] Feng X & Huang H, «Метод реконструированного фазового пространства на основе нечетких множеств для идентификации временных паттернов в сложных временных рядах», IEEE Transactions on Knowledge and Data Engineering , Vol.17, (2005), стр. 601-613.

[6] Хан М.К., Интеллектуальный анализ данных: концепции и методы , Морган Кауфманн, Сан-Франциско, (2001).

[7] Хота Х.С., Ханда Р. и Шривас А.К., «Прогнозирование данных временных рядов с использованием нейронной сети RBF на основе скользящего окна», International Journal of Computational Intelligence Research , Vol.13, No.5, (2017), стр. .1145-1156.

[8] Vafaeipour M, Rahbari O, Rosen MA, Fazelpour F & Ansarirad P, «Применение метода скользящего окна для прогнозирования временных рядов скорости ветра», International Journal of Energy and Environmental Engineering (springer) , Vol. 5, (2014), стр. 105-111

[9] Yin KC, Hsieh YL & Yang DL, «GLFMiner: глобальный и локальный анализ частых шаблонов с временными интервалами», , 5-я конференция IEEE по промышленной электронике и приложениям ( ICIEA), (2010), стр. 2248-2253.

[10] Сенгупта Н., Алока С., Нараянасвами Б., Исмаил Х. и Мэтью С., «Интеллектуальный анализ данных временных рядов для поддержки принятия решений на стороне спроса», Innovative Smart Grid Technologies-Asia, (2013), стр. 1 -6.

[11] Niennattrakul V & Ratanamahatana CA, «О кластеризации мультимедийных данных временных рядов с использованием k-средних и динамического искажения времени», Международная конференция по мультимедиа и вездесущей инженерии , (2007).

[12] Чандракала С. и Чандра Секхар С., «Метод на основе плотности для кластеризации многомерных временных рядов в пространстве признаков ядра», Международная объединенная конференция IEEE по нейронным сетям, Всемирный конгресс IEEE по вычислительному интеллекту , (2008).

[13] Viet HH & Anh DT, «M-дерево как индексная структура для данных временных рядов», Международная конференция по. Компьютеры, управление и телекоммуникации , (2013).

[14] Винарко Э. и Роддик Дж. Ф., «Метод индексации на основе подписи для эффективного поиска относительных временных шаблонов на основе содержимого», IEEE Transactions on Knowledge and Data Engineering , Vol.20, № 6, (2008), стр. 825-835.

[15] Mokbel MF, Xiong X, Hammad MA & Aref WG, «Непрерывная обработка запросов пространственно-временных потоков данных на месте», GeoInformatica , Vol.9, No.4, (2005), pp.343 -365.

[16] Miao R & Shen XJ, «Построение правил периодической временной ассоциации в интеллектуальном анализе данных», Седьмая международная конференция по . Нечеткие системы и обнаружение знаний (FSKD) , (2010).

[17] Цао Л., «Эксперты по вспомогательным векторным машинам для прогнозирования временных рядов», Нейро-вычисления , Vol. 51, (2003), стр. 321-339.

[18] Весса. http://www.wessa.net/stocksdata.wasp, 2011.

[19] Рынок данных. http://datamarket.com/, 2011.

Окно обновления классификации

Окно обновления классификации

Окно обновления классификации

Используйте это окно для обновления кода классификации в этих таблицах:

·        Студент Сводка терминов по подразделениям

·        Студент Начальник отдела (если выбран)

·        Студент Мастер (если выбран)

Вы можете запустить одно правило классификации для одного учащегося, для всех учащихся зарегистрированных в выбранном году и семестре, или для всех зарегистрированных студентов для всех лет и сроков, начинающихся с выбранного идентификационного номера.если ты хотите запустить несколько правил одновременно, нажмите Правила Кнопка «Обновление на основе» (если доступна), чтобы открыть правила. Окно обновления на основе и инициируйте процесс из этого окна.

Столбцы

Тип обновления и код

Год

Срок

ID #

Начать с этого идентификатора

Обновление мастера студенческого отдела

Обновить студент-мастер

 

Обновить Студент По умолчанию выбраны Division Master и Update Student Master.Отмените их выбор, если вы не хотите обновлять эти таблицы.

 

Если нынешний студент является выпускником и вы хотите обновить предыдущий термин, не затрагивая текущий срок, вы бы предпочли не обновлять студенческий мастер и столы мастеров студенческого отдела (текущие). Классификация затем код будет обновляться только в сводке студенческих семестров Дивизия (история) запись.

Обновление на основе правил

Как

Запустить классификацию Обновление

Узнать больше

Классификация Процесс обновления

Код класса

Заполнение Таблица

раздела «Сводка семестра учащегося»

Правила классификации — определения | Adobe Analytics

Выберите наборы отчетов и переменные

Набор отчетов

Наборы отчетов, к которым применяется набор правил.

Переменная

При создании набора правил классификации можно применить только одну переменную. Если вы хотите создать несколько наборов правил для одной переменной, вы должны применить каждый набор правил к нескольким наборам отчетов.

Примечание. В наборах отчетов можно использовать только те переменные, к которым у вас есть доступ. Переменные будут отображаться на панели «Новый набор правил» только после того, как для этой переменной определена хотя бы одна классификация.

Вы можете создать классификации для переменной в разделе «Администрирование» > «Наборы отчетов» > «Трафик» > «Классификации трафика» (или «Конверсия» > «Классификации конверсий»).Затем выберите переменную и нажмите «Добавить классификацию».

См. классификацию трафика и классификацию конверсий в справке администратора.

Активировать

Проверяет и активирует правило. Активные правила обрабатываются ежедневно, проверяя классификационные данные, как правило, за один месяц. Правила автоматически проверяют наличие новых значений и загружают классификации.

Деактивировать

Деактивирует правила, чтобы их можно было редактировать и тестировать.

Настройка наборов отчетов и переменных

Отображает страницу «Доступные наборы отчетов», на которой можно выбрать один или несколько доступных наборов отчетов для использования во всех наборах правил. (Эта страница также отображается при первом запуске построителя правил классификации.)

Эта функция предназначена для сокращения времени загрузки набора отчетов, если у вас есть сотни доступных наборов отчетов.

Наборы отчетов, которые вы выбираете здесь, становятся доступными на уровне правил, когда вы нажимаете «Добавить наборы» при создании правила.

Примечание. Набор отчетов становится доступным только в том случае, если в наборах отчетов определена хотя бы одна классификация для переменной в Admin Tools.

(Объяснение этого предварительного условия см. в разделе Переменная в наборах правил классификации.)

Правила перезаписывают любые существующие значения

(настройка по умолчанию) Всегда перезаписывать существующие ключи классификации, включая классификации, загруженные через средство импорта (SAINT).

Правила перезаписывают только неустановленные значения

Заполняйте только пустые (неустановленные) ячейки. Существующие классификации не будут изменены.

Окно ретроспективного анализа

При активации и проверке правил можно указать, должны ли правила перезаписывать существующие классификации затронутых ключей. (Затрагиваются только классифицированные ключи, которые ранее были переданы в Adobe Analytics в течение указанного вами периода времени. )

Если не указать окно ретроспективного анализа, правила будут возвращаться примерно на один месяц назад (в зависимости от текущего дня месяца). Существующие классификации никогда не перезаписываются, если вы не включите этот параметр.

Центр разработки : Партнеры могут создавать правила классификации в Центре разработки. Эти правила развертываются, когда клиент активирует интеграцию. В Центре разработки параметр «Перезаписать с» позволяет партнеру указать, может ли клиент определять значение перезаписи при активации или изменении интеграции.

Дополнительные сведения об обработке правил см. в разделе Как обрабатываются правила.

Добавить правило

Позволяет добавлять правила в набор правил.

Примечание. Если значение совпадает дважды или более в наборе правил, система использует последнее правило для классификации значения.

Проект Позволяет указать, что правило находится в режиме черновика. Статус черновика позволяет протестировать правило перед его запуском.
Дубликат Дублирует (копирует) набор правил, чтобы можно было применить набор правил к другой переменной или к той же переменной в другом наборе отчетов.

Набор правил тестирования

Позволяет проверить действительность набора правил.

Состояние соответствия Указывает необходимые условия для правила.
Действия по классификации

Указывает действие, выполняемое при возникновении условия совпадения.

Например, вы установили для имени кампании значение $2, которое идентифицирует позицию 2 в коде отслеживания как название кампании.

#

Номер правила.

Дополнительные сведения см. в разделе Как обрабатываются правила.

Выберите тип правила

Каждый набор правил применяется к определенной переменной. Допустимые варианты:

Введите критерии соответствия Текстовый шаблон, который вы ищете в ключе. Этими критериями могут быть условия поиска, символы или регулярное выражение.
Установить классификацию Столбец классификации, который вы хотите задать, если выполняются критерии соответствия.
До Значение, которое вы хотите указать для выбранного столбца классификации, если выполняются критерии соответствия.
Фильтр Позволяет искать правила.

Окно результатов классификации

Это окно не отображается в основном Окно Transformation Designer по умолчанию.Если вы хотите просмотреть его содержание, оно должно быть открыт.

По умолчанию, когда это окно отображается, оно занимает всю ширину вдоль нижней части экрана. Окно конструктора трансформаций. Это окно может находиться в одном пространстве как Окно результатов извлечения, и вы можете переключаться между этими окнами, используя соответствующие вкладки. Кроме того, вы можете перемещать это окно в любом месте в пределах или за пределами основного Окно Transformation Designer, или вы можете закрепите это окно в различных позициях в пределах основного Окно конструктора трансформаций.

В этом окне отображаются результаты классификации выбранного набор документов. В этом окне вы можете сравнить свой набор документов с набором золотые файлы для выполнения ориентиры.

Значения достоверности для каждого класса и подкласса включаются в результаты классификации. Уверенность делится на достоверность классификации макета, показанная под значком изображения, и достоверность классификации содержимого, показанная под значок текста.

Доступны следующие значки, многие из которых представляют иерархические правила оценки:

Значок Описание

Значок изображения, используемый для уверенность в классификации макета.

Значок текста, используемый для достоверность классификации контента.

Значок классификации, используемый для окончательного результата классификации.

Значок классификации, используемый, когда результат классификации является результатом Локальное иерархическое правило Not-Flag.

Значок классификации, используемый для альтернативных результатов классификации.

Значок классификации, используемый, когда результат классификации является результатом Родитель представляет конкурирующее дочернее иерархическое правило.

Значок классификации, используемый, когда результат классификации является результатом Распространено иерархическое правило Not-Flag.

Значок классификации, используемый, когда результат классификации является результатом Ребенок побеждает родительское иерархическое правило.

Значок классификации, используемый, когда результат классификации является результатом Классификация поддеревьев.

Значок классификации, используемый, когда результат классификации переклассифицирован в сценарии.

Таможенное постановление NY 859234 — Тарифная классификация электрических стеклоподъемников для автомобилей, ручных стеклоподъемников для автомобилей, каналов для оконных стекол, изоляционных и звукопоглощающих материалов из Канады

CLA-2-87:S:N:N1:101-859234

г.Mike Dowson
Lec-Triks
Box 151 L7R 3Y2
Burlington, Ontario, Canada

RE: Тарифная классификация электрических стеклоподъемников для автомобилей, ручные стеклоподъемники для автомобили, оконные стеклянные каналы, изоляция материал и звукоизоляционный материал из Канады

Уважаемый г-н Доусон:

В своем письме от 20 декабря 1990 г. Вы запросили тариф классификационное постановление.

Первый предмет, который вы представили, это электрические стеклоподъемники. регулятор для автомобилей.Этот продукт используется для преобразования стандартные автомобильные стеклоподъемники на электростеклоподъемники. Предмет состоит из электродвигателя с направляющей насадкой, которая используется поднимать и опускать автомобильное стекло. Вы сообщили нашему Buffalo District, что двигатель представляет собой двигатель постоянного тока на 12 вольт, один ампер с выходная мощность 12 Вт.

Второй предмет — ручной стеклоподъемник для автомобилей. Этот продукт используется для замены изношенных стеклоподъемников.

Третий элемент – канал для оконного стекла, к которому крепится оконного стекла к электрическому или ручному стеклоподъемнику.

Четвертый элемент – звукопоглощающий материал, состоящий из регенерированный лист поливинилхлорида (ПВХ). Этот материал применяется на внутренние панели дверей и крышки багажника для изоляции от передача звука. Материал импортируется в 5 футов на 6 футов катится и не обрезается по размеру, чтобы соответствовать какому-либо конкретному автомобилю.

Пятый элемент — это звукоизоляционный материал из четвертого элемента. который приклеен к пенополиуретану. Этот комбинированный звук На брандмауэре, полу и багажнике используется шумоизоляция / пенопласт автомобиля.Он импортируется в рулонах размером 8 на 6 футов и не обрезается по размеру, чтобы соответствовать какому-либо конкретному автомобилю. Применяемая субпозиция для электрического стеклоподъемника механизма будет 8501.10.4040, Гармонизированный тарифный план США (ХТС), которым предусмотрены другие бесколлекторные двигатели постоянного тока мощностью не более 37,5 Вт. Ставка пошлины составит 6,6% адвалорной.

Применимая подсубпозиция для стеклоподъемника с ручным управлением механизм будет 8302.30.3000 в котором предусмотрены другие крепления, фитинги и аналогичные изделия из железа или стали, алюминия или цинка, пригодные для автотранспорт. Ставка пошлины составит 3,1% адвалорной.

Применимый подзаголовок для оконного канала будет 8302.30.3000 который предусматривает другие приспособления, приспособления и аналогичные изделия из железа или сталь, алюминий или цинк, пригодные для автомобилей. Ставка пошлины составит 3,1 процента адвалорной.

Подсубпозицией звукоизоляционных материалов будет 3920.42.5000, который предусматривает другие плиты, листы, пленку, фольгу и полосы. из пластмасс, непористых и неармированных, ламинированных, на подложке или аналогичным образом в сочетании с другими материалами, из полимеров винилхлорида, гибкий, другой. Ставка пошлины составит 4,2% адвалорной.

Применимые подсубпозиции для звукоизоляционных материалов, связанных с пеной будет 3921.13.5000, который предусматривает другие плиты, листы, фольгу и полосы, пластиковых, сотовых, полиуретановых, др. Ставка пошлины будет 4.2 процент адвалорный.

Товары, классифицируемые в следующих подсубпозициях, произведенные в территории Канады, будут иметь право на ставку пошлины, как указано ниже, в соответствии с Соглашением о свободной торговле между США и Канадой при соблюдении со всеми применимыми правилами:

Подзаголовок Ставка пошлины

8501.10.4040 4,6 процента адвалорной стоимости 8302.3030000 2,1 процента адвалорной стоимости 3920.42.5000 2.9 процентов адвалорной 3921.13.5000 2,9 процента адвалорной стоимости

Настоящее постановление вынесено в соответствии с положениями статьи 177 Закона о Таможенные правила (19 CFR 177).

Копия данного распоряжения должна быть приложена к въездным документам подается во время импорта этого товара. Если документы были представлено без копии, это постановление должно быть доведено до сведения Сотрудник таможни, осуществляющий транзакцию.

С уважением,

Джин Ф.Магуайр
Районный директор
Морской порт Нью-Йорка

Период | Район муниципального колледжа Сан-Диего

I          ОБЗОР

Каждый год в округе есть период окна, когда сотрудники могут инициировать запрос на пересмотр классификации своей текущей должности. Период окна длится с января по февраль, при этом любые изменения классификации вступают в силу с 1 июля того же года. Этот процесс доступен для сотрудников, работающих по контракту, в следующих подразделениях: классифицированный персонал, конфиденциальный персонал, надзорный/профессиональный и управленческий персонал.Она недоступна для сотрудников следующих подразделений: Факультет и Полиция.

II         ОПРЕДЕЛЕНИЯ

Классификация
Классификация представляет собой группу похожих заданий/работ, в которых основные части заданий/работ одинаковы. Должности классифицируются на основе этих группировок основных частей работы. Классификации определяют обязанности и ответственность, а также необходимые вспомогательные знания и наборы навыков.

Позиция
Позиция представляет собой один стол или пару перчаток. Сотрудник по контракту заполняет должность и принимается на работу в зависимости от атрибутов должности. Позиция имеет только одну классификацию и только один номер позиции. На контрактной должности работает только один сотрудник.

Описание должности
A описание должности фокусируется на самом задании/работе, а не на должностном лице.Описание должности связывает классификацию с конкретной должностью (например, описание должности помощника по работе со студентами в офисе по делам ветеранов колледжа Меса), определяет офис / среду и включает второстепенные детали характера и уровней работы, назначенной на конкретную должность. Имейте в виду, что классификация помощника по обслуживанию студентов может охватывать несколько различных должностей в офисах службы поддержки студентов колледжа Меса.

Описание стола
Описание стола фокусируется на деталях задания/работы, которые должен выполнять назначенный сотрудник.Описание кабинета иногда называют настольным руководством, его подготавливает и обновляет должностное лицо и/или непосредственный руководитель. Это подробное руководство по заданию/рабочей работе, которое будет включать конкретные инструкции и примеры файлов, форм, документов и т. д.

Описание классификации
Описание классификации в общих чертах определяет обязанности и ответственность, связанные с этой классификацией, и представляет собой общее резюме тех обязанностей и ответственности, которые ожидаются от должности.Описание классификации состоит из ПЯТИ частей: определение; Отличительные характеристики; Примеры обязанностей; Знания, Навыки и Способности; и обучение и опыт.

Определение   Цель задания.
Отличительные признаки :   Что отличает этот уровень позиции от позиций выше или ниже.
Пример обязанностей :   Обзор того, что можно ожидать от позиции.
Знания, навыки и способности :   Что необходимо полностью компетентному сотруднику для успешного выполнения задания/работы.
Обучение и опыт :   Обычный способ получения необходимых знаний, умений и навыков.

Желаемая квалификация
Желаемая квалификация является необходимой и требуемой минимальной квалификацией, которую необходимо получить в течение первых 6 месяцев после назначения.

Назначение/Работа
Назначение/работа — это задачи, обязанности и ответственность, которые начальник/администратор поручает выполнять сотруднику.

Новое название
A Новое название является изменением только названия классификации. Это не является частью процесса пересмотра классификации, но изменение названия требует одобрения Правления.

Реклассификация
Реклассификация — это изменение классификации должности, когда происходят постоянные и существенные изменения в назначении/работе, а обязанности и ответственность изменились настолько, что больше не соответствуют текущей классификации.

Перераспределение диапазона
Перераспределение диапазона — это изменение(я) классификации, которое повлияет на распределение диапазона окладов без изменения классификации.

Распределение диапазона окладов
Распределение диапазона окладов — это присвоение классификаций в таблице окладов по отношению к другим с использованием содержания работы/методики оценки. Эта методология устанавливает значения баллов на основе различных критериев содержания работы и «слотов» классификаций для внутреннего согласования в рамках плана классификации SDCCD и соответствующих графиков окладов.Эта методология не устанавливает заработную плату; только округ устанавливает графики заработной платы в процессе переговоров/совещаний и совещаний.

III       ПРОЦЕСС

КАК ПОДАТЬ ЗАЯВЛЕНИЕ О РЕКЛАССИФИКАЦИИ

Реклассификация — это полный пересмотр ВСЕХ обязанностей, ответственности и требований по назначению одной должности. Шаги для отправки обзора реклассификации следующие:

  1. Сотрудник заполняет анкету с описанием должности (PDQ) (находится в разделе FORMS ).
  2. Сотрудник определяет обязанности, требования и ответственность, не входящие в текущее классификационное описание. (Руководитель/Администратор может заменить сотрудника в пунктах 1 и 2)
  3. Непосредственный руководитель, менеджер и президент/вице-канцлер сотрудника должны подтвердить точность формы и подписать ее перед отправкой в ​​отдел кадров.   Вице-президент университетского городка по административным службам также должен подписать, если сотрудник работает в университетском городке. Сотрудник обязан обеспечить все подписи и представить заполненные документы до установленного срока.
  4. Отдел кадров рассмотрит PDQ на полноту и наличие достаточной информации для продвижения вперед в процессе пересмотра классификации.
  5. PDQ отправляется на проверку аналитику/команде AFT.
  6. Аналитик/комиссия AFT встретится с занимающим должность (сотрудником) и руководителем(ями), чтобы обеспечить полную информацию о работе и ясность.
  7. Аналитик/группа AFT дает рекомендацию относительно классификации и уведомляет отдел кадров.
  8. Human Resources уведомляет о рекомендации должностное лицо и другие соответствующие стороны.
  9. Президент/Вице-канцлер имеет возможность принять рекомендацию или изменить назначение, чтобы сохранить текущую классификацию. Затем отдел кадров уведомит соответствующие стороны, если рекомендация не будет принята.
  10. Менеджеры и/или должностные лица, не относящиеся к должностям AFT, могут подать апелляцию, если не удовлетворены рекомендацией. Апелляции обрабатываются через отдел кадров.
  11. Реклассификация должна быть одобрена Советом попечителей, прежде чем она вступит в силу.
  12. 1 июля — дата вступления в силу утвержденных Советом директоров изменений в классификации периода окна.

КАК ПОДАТЬ ПЕРЕРАСПРЕДЕЛЕНИЕ ДИАПАЗОНА ЗАРПЛАТЫ

Перераспределение диапазона заработной платы — это пересмотр дополнительных обязанностей, ответственности и требований ВСЕХ должностей в классификации.Шаги для отправки обзора распределения диапазона заработной платы:

  1. Сотрудник заполняет форму запроса на перераспределение диапазона (находится в разделе ФОРМЫ ).
  2. Сотрудник указывает дополнительные обязанности, ответственность и требования, не входящие в текущую классификацию.
  3. Непосредственный начальник(и), менеджер(ы) и президенты/вице-канцлеры сотрудника должны подтвердить точность формы и подписать ее перед отправкой в ​​отдел кадров.   Вице-президент университетского городка по административным службам также должен подписать, если сотрудник работает в университетском городке. Сотрудник обязан обеспечить все подписи и представить заполненные документы до установленного срока.
  4. Отдел кадров проверит форму на полноту и наличие достаточной информации для продвижения вперед в процессе пересмотра классификации.
  5. Форма отправляется на проверку аналитику/группе AFT.
  6. Аналитик/комиссия AFT встретится с занимающим должность (сотрудником) и руководителем(ями), чтобы обеспечить полную информацию о работе и ясность.
  7. Аналитик/группа AFT дает рекомендацию относительно классификации и уведомляет отдел кадров.
  8. Human Resources уведомляет о рекомендации должностное лицо и другие соответствующие стороны.
  9. Президент/Вице-канцлер имеет возможность принять рекомендацию или изменить назначения, чтобы сохранить текущую классификацию.Затем отдел кадров уведомит соответствующие стороны, если рекомендация не будет принята.
  10. Менеджеры и/или должностные лица, не относящиеся к должностям AFT, могут подать апелляцию, если не удовлетворены рекомендацией. Апелляции обрабатываются через отдел кадров.
  11. Перераспределение диапазона заработной платы должно быть одобрено Советом попечителей, прежде чем оно вступит в силу.
  12. 1 июля — дата вступления в силу утвержденных Советом директоров изменений в классификации периода окна.

ОБЩАЯ ГРАФИКА

Крайний срок 31 января   Знакомство и совещание Сотрудник уведомляет/обсуждает намерение руководителя; Проект файла секретного сотрудника с руководителем
Последний рабочий день в феврале крайний срок   Подача заполненных форм в отдел кадров
Март   Отдел кадров и комиссия AFT рассмотрели материалы, представленные секретным персоналом
апрель   Совещания/интервью по пересмотру классификации
Май   Рекомендации должностным лицам и соответствующим сторонам
июнь   Допустимые апелляции, подаваемые в отдел кадров
июнь/июль   Представление рекомендаций попечительскому совету
1 июля   Дата вступления в силу изменений

IV       ФОРМЫ

V         ПОЛИТИКА, РУКОВОДСТВА И РЕСУРСЫ

VI       Часто задаваемые вопросы   (ЗДЕСЬ другие часто задаваемые вопросы)

Вопрос:   Как долго я должен находиться в своей должности, прежде чем она будет рассмотрена?
А:   Сотрудники должны иметь постоянство округа и классификации, прежде чем участвовать в пересмотре классификации.
     
Вопрос:   Моя просьба о реклассификации моей должности была отклонена в прошлом году. Могу ли я снова подать заявку в этом году?
А:   №Независимо от типа пересмотра классификации, должность может быть пересмотрена только один раз в 24 месяца.
     
Вопрос:   Если я в настоящее время нахожусь на должности сотрудника, классифицированного AFT, должен ли мой запрос направляться на рассмотрение в AFT-Panel или он может направляться аналитику?
А:   Процесс реклассификации должностей сотрудников категории AFT регулируется Коллективным договором.
     
Вопрос:   Что мне нужно сделать, чтобы подготовиться к собеседованию?
А:   Перед установлением крайних сроков встретьтесь и обсудите назначение вашей должности со своим непосредственным руководителем и другими руководителями/администраторами в вашей области назначения.
     
Вопрос:   К кому я могу обратиться с дополнительными вопросами?
А:   Если у вас есть дополнительные вопросы или опасения, обратитесь в отдел классификации отдела кадров.
     

 

О классификации программ-вымогателей Microsoft-Windows с использованием аппаратного профиля [PeerJ]

Введение

За последние несколько лет сообщается о экспоненциальном росте атак программ-вымогателей. Программы-вымогатели — это подкласс вредоносных программ, которые захватывают устройство и блокируют жертве доступ к данным до тех пор, пока не будет произведена компенсация в той или иной форме.Как правило, эта компенсация предоставляется в виде денег за предоставление доступа обратно к жертве. Программа-вымогатель способна нанести вред различным типам устройств, таким как персональные компьютеры , серверы, смартфоны, планшеты и т. д. Например, в 2017 году сообщалось о нескольких новых вариантах программ-вымогателей, включая WannaCry, JAFF, Petya (Hampton, Baig & Зедалл, 2018). 12 мая 2017 года в течение нескольких часов программа-вымогатель WannaCry (Maurya et al., 2018) заразила более 70 000 настольных устройств в более чем 150 странах мира (Grant & Parkinson, 2018).

Финансовые потери, понесенные из-за программ-вымогателей, могут быть весьма разрушительными. Например, программа-вымогатель CryptoWall_v3 (Ali, 2017; Sgandurra et al., 2016) привела к убыткам в США в размере около 325 миллионов долларов США с ноября 2015 года по июнь 2016 года). В 2018 году сообщалось, что 45% компаний заплатили выкуп за восстановление данных, хранящихся на зараженных машинах, а в 2019 году этот показатель увеличился до 58% (Ramesh & Menen, 2020). Еще одна атака программы-вымогателя, инициированная программой-вымогателем CryptoWall_v4, привела к потере 7 долларов США.1 миллион по всему миру (Али, 2017). По оценкам, недавно зарегистрированные атаки программ-вымогателей с участием NotPetya и WannaCry нанесли ущерб примерно в 18 миллиардов долларов (Davies, Macfarlane & Buchanan, 2020). Эти атаки нанесли ущерб системам различных мировых организаций, остановив и нанеся ущерб их повседневной деятельности. Похоже, что потери, вызванные программами-вымогателями, вероятно, превысят 20 миллиардов долларов к концу 2021 года (показано на рис. 1), как сообщается в Глобальном отчете о защите от программ-вымогателей (Ramesh & Menen, 2020; Chung, 2019).

Рисунок 1. Оценка и прогноз потерь (в миллиардах долларов США), вызванных различными программами-вымогателями в период с 2015 по 2021 год (Ramesh & Menen, 2020; Chung, 2019).

Несмотря на то, что вредоносное ПО считается серьезной угрозой на протяжении многих лет, программы-вымогатели представляют собой еще более серьезную угрозу по сравнению с другими вредоносными программами из-за их атакующего и требовательного характера (т. е. ожидания выкупа взамен). Отделение программ-вымогателей от традиционных вредоносных программ имеет важное значение из-за их более разрушительного воздействия с точки зрения информативных данных и финансовых потерь.По сравнению с типичными вредоносными программами идентифицировать и уничтожить программы-вымогатели сложно, даже если они обнаружены, а ущерб может быть потенциально непоправимым даже после его удаления Al-rimy, Maarof & Shaid (2018) and Zhang et al. (2019). Следовательно, нам нужны упреждающие и агрессивные методы борьбы с программами-вымогателями. Кроме того, очень сложно распознать и изолировать вредоносное ПО от программ-вымогателей из-за схожести по своей природе. Программы-вымогатели более опасны, чем вредоносные программы, поскольку они не только наносят ущерб системе и приводят к потере контроля над системой, но и требуют компенсации взамен.Поэтому необходимо правильно отличать программы-вымогатели от других вредоносных программ (Aurangzeb et al., 2017; Kok et al., 2019; Zhang et al., 2019), чтобы сэкономить миллиарды долларов финансовых потерь (Davies, Macfarlane). и Бьюкенен, 2020).

Перед анализом программ-вымогателей одним из обязательных шагов является точная идентификация конкретного типа программ-вымогателей и их отличие от других типичных вредоносных программ. В целом, методы анализа вредоносного ПО классифицируются как (1) статический и (2) динамический анализ (Chen et al., 2017). Кроме того, различные исследователи использовали комбинации статических и динамических методов в виде методов гибридного анализа. Процедура изучения потенциального вредоносного ПО без запуска программы называется статическим анализом , тогда как анализ, выполняемый посредством наблюдения за поведением выполнения вредоносного ПО, известен как динамический анализ . Большинство современных методов динамического анализа обнаруживают и классифицируют программы-вымогатели, скрывающиеся с помощью различных методов запутывания, таких как упакованные программы, сжатие или преобразование данных, косвенная адресация и т. д.(Бехера и Бхаскари, 2015 г.). Программа-вымогатель использует различные стратегии захвата, например ведет себя как рекламное ПО, что приводит к нежелательной рекламе, или скрывает себя с помощью руткитов для обхода антивирусов (AV) (Demme et al., 2013). Руткит — это вредоносное ПО, которое изменяет операционную систему (ОС) и находится в ней в течение длительного времени (Aurangzeb et al., 2017). Сегодня различные антивирусы борются с вредоносным ПО, чтобы смягчить причиненный и ожидаемый ущерб. Однако методы, используемые антивирусами, часто ограничены предшествующими знаниями (т.например, сигнатуры и т. д.), и существует потребность в более комплексном динамическом анализе, который мог бы обнаруживать программы-вымогатели, применяя методы запутывания (Demme et al., 2013) с использованием аппаратных счетчиков производительности.

Аппаратные счетчики производительности (HPC)

обычно используются программистами для анализа и измерения производительности приложений и выявления узких мест при выполнении программы (Beneventi et al., 2017; Kuruvila, Kundu & Basu, 2020). Первоначально HPC использовались для исследования статического и динамического анализа программ для обнаружения любых вредоносных изменений, как упоминалось в Alam et al.(2020) и Мэлоун, Захран и Карри (2011). В нескольких исследованиях (Das et al., 2019; Demme et al., 2013; Singh et al., 2017; Wang et al., 2016) обсуждаются потенциальные последствия использования HPC для анализа приложений, и в большинстве из них предполагается, что аппаратное выполнение profile может осуществлять обнаружение вредоносных программ (Demme et al., 2013; Singh et al., 2017; Wang et al., 2016; Kuruvila, Kundu & Basu, 2020). В другом исследовании (Xu et al., 2017) использовались профили аппаратного исполнения для обнаружения вредоносного ПО с использованием алгоритмов машинного обучения, поскольку вредоносное ПО изменяет структуры данных и поток управления, оставляя отпечатки пальцев при доступе к памяти программ.В связи с этим они предложили платформу для обнаружения вредоносного ПО из безопасных приложений, использующую машинное обучение для классификации вредоносного поведения вредоносного ПО на основе шаблонов доступа к виртуальной памяти. Чжоу и др. (2018) исследовали, полезны ли HPC для дифференциации вредоносных программ от безопасных приложений. Однако исследование не рассматривало вредоносное ПО как программу-вымогатель. Однако использование измерений производительности оборудования и профиля низкоуровневого поведения выполнения ранее не изучалось для анализа и обнаружения приложений-вымогателей.Мы утверждаем, что программы-вымогатели обнаруживают себя, демонстрируя специфические закономерности в HPC (например, через тактовые циклы, промахи и попадания в кэш, инструкции ветвления и промахи, устаревшие инструкции и т. д.).

В этой статье мы представляем платформу, основанную на динамическом анализе, которая в основном фокусируется на классификации программ-вымогателей от программ-нешифровальщиков. В этой статье рассматриваются HPC для обнаружения программ-вымогателей на основе Microsoft Windows путем анализа поведения программ-вымогателей при выполнении. В первую очередь мы сосредоточены на определении потенциального использования HPC для анализа и упреждающего обнаружения программ-вымогателей.Кроме того, классификация программ-вымогателей от вредоносных программ является обязательной, поскольку ущерб, причиняемый программами-вымогателями, резко увеличивает потери данных и денежных средств. Чтобы решить эту проблему, мы предлагаем механизм, который использует профиль выполнения приложения для классификации и обнаружения программ-вымогателей от программ, не являющихся программами-вымогателями. Для классификации характеристики производительности приложения, связанные с аппаратным обеспечением, извлекаются из набора данных о 160 вредоносных программах (включая 80 программ-вымогателей и 80 программ, не являющихся программами-вымогателями).Впоследствии эти функции передаются в некоторые известные модели классификации машинного обучения, такие как «Дерево решений» (Kohavi, 1996), «Случайный лес» (Liaw & Wiener, 2002), «Повышение градиента» (Friedman, 1999) и «Экстремальное повышение градиента» (XGBoost) ( Чен и Тонг, 2021 г.). Эти четыре классификатора обычно используются для задач классификации различных приложений, включая обнаружение спама , распознавание лиц и финансовые прогнозы (Jordan & Mitchell, 2015; Kuruvila, Kundu & Basu, 2020) и т. д.Мы используем эти четыре классификатора как часть предлагаемой методологии для анализа их эффективности при обнаружении программ-вымогателей. Эти модели выполняют бинарную классификацию вредоносного ПО на классы программ-вымогателей или программ-нешифровальщиков. Таким образом, основные материалы этой статьи следующие:

  • Углубленный анализ современного состояния дел для выявления достоинств и недостатков нескольких существующих подходов;

  • Новый механизм классификации и обнаружения вредоносных приложений на программы-вымогатели и программы, не являющиеся программами-вымогателями; и

  • Эмпирическое исследование HPC в сравнении с современными динамическими методами с использованием классификаторов машинного обучения;

Результаты показали, что как случайный лес, так и классификатор экстремального повышения градиента превзошли дерево решений и повышение градиента, достигнув точности 0.97 для классификации.

Остальная часть статьи организована следующим образом. «Связанная работа» описывает связанную работу. «Мотивация и методология» представляет предлагаемую методологию, набор данных и механизм извлечения признаков. В «Результатах и ​​обсуждении» представлены детали экспериментальной установки, результаты и связанные с ними обсуждения, а «Выводы» завершают статью.

Связанная работа

Для динамического анализа необходимо собирать ключевые функции программ-вымогателей во время выполнения.Большинство исследований на основе динамического анализа используют известные базы данных вредоносных программ (www.virusshare.com) для приобретения вредоносного программного обеспечения и используют карантинные среды (такие как песочница Cuckoo (Kaur, Dhir & Singh, 2017)) для выполнения приложения.

В Zavarsky & Lindskog (2016) авторы представили экспериментальный анализ программ-вымогателей для Microsoft Windows и Android. Этот анализ показывает, что обнаружение программ-вымогателей может выполняться путем отслеживания аномалий в файловой системе и действиях реестра.Показано, что значительное количество семейств программ-вымогателей имеют очень схожие характеристики. Более того, авторы пришли к выводу, что изменения в определенном наборе ключей реестра являются важными аспектами, которые необходимо анализировать для обнаружения программ-вымогателей. Авторы обнаружили, что Microsoft Windows 10 достаточно эффективна против атак программ-вымогателей. Кроме того, это исследование также показало, что для платформы Android файл Android Manifest и разрешения (требуемые приложением) также следует учитывать для обнаружения программ-вымогателей.Существует много работ (Alzahrani & Alghazzawi, 2019; Victoriano, 2019), связанных с обнаружением вредоносных программ для Android с использованием подходов машинного обучения для классификации семейств вредоносных программ. Авторы в Scalas et al. (2019) сосредоточились на классификации программ-вымогателей и предложили стратегию обнаружения на основе обучения. Предлагаемая схема опирается на информацию системного API, такую ​​как пакеты, классы и трассировки, связанные с методами. Предлагаемая схема способна различать и классифицировать общие вредоносные программы, программы-вымогатели и полезные программы.Экспериментальные результаты подчеркивают важность и эффективность использования информации системного API для классификации программ-вымогателей Android.

Несколько исследователей использовали хеш-информацию (т. е. сравнивали хэш-значения) для обнаружения программы-вымогателя CryptoLocker (Song, Kim & Lee, 2016). Поврежденные системы восстанавливаются следующими способами: (1) обработка CryptoLocker, (2) сравнение хэш-информации с зашифрованными файлами данных (3) проверка ключа с использованием хранящейся в нем информации индекса ключа и (4) продолжение декодирования.Как правило, этот тип процесса требует много времени для обнаружения программы-вымогателя с потенциальным риском появления другой программы-вымогателя, пока компания, занимающаяся безопасностью, не предложит ключи дешифрования старой программы-вымогателя. Более того, необходим дополнительный анализ для обнаружения новых моделей программ-вымогателей, поскольку хакеры настойчиво придумывают новые варианты программ-вымогателей. На платформе Android предлагается еще один метод (Song, Kim & Lee, 2016) для предотвращения вторжения программ-вымогателей. Этот метод требует интенсивного мониторинга процессов выполнения и анализа конкретных файловых каталогов с использованием статистических методов, таких как Экспертная система обнаружения вторжений следующего поколения (NIDES) (Anderson, Thane & Alfonso, 1995) с использованием процессора , использование памяти и скорость ввода-вывода , чтобы выявить приложения, демонстрирующие ненормальное поведение (Song, Kim & Lee, 2016).

Несколько других исследований использовали подходы на основе машинного обучения и динамические или динамические функции выполнения приложений для обнаружения программ-вымогателей. В последнее время события на основе HPC и их функции широко используются в исследованиях для обнаружения атак по сторонним каналам и программ-вымогателей (Or-Meir et al., 2019). Алам и др. (2020) использовали функции HPC для обнаружения вредоносных программ в безопасных приложениях. Авторы предложили метод обнаружения аномалий для выявления вредоносных программ-вымогателей за несколько секунд с очень небольшим количеством ложных срабатываний с использованием рекуррентных нейронных сетей (RNN).Тем не менее, исследуются только пять показателей производительности оборудования, а именно инструкции, ссылки на кэш, промахи в кеше, ветки и промахи веток, в то время как исследование авторов касается только одного типа программ-вымогателей, которым был WannaCry. В Kadiyala et al. (2020) были рассмотрены только четыре аспекта производительности оборудования. Майорка и др. (2017) предложили контролируемую процедуру, основанную на машинном обучении, R-PackDroid , для обнаружения программ-вымогателей Android, которая представляет собой легкий метод и не требует предварительного знания механизмов шифрования программ-вымогателей.Однако метод R-PackDroid использует полностью зашифрованные файлы кода и не может анализировать приложения, загружающие код во время выполнения. R-PackDroid может быть объединен с другими методами динамического анализа , такими как подход, предложенный Kimberly et al. (2015). Более того, анализ приложений на основе R-PackDroid сильно зависит от возможностей парсинга фреймворка ApkTool .

Нарудин и др. (2016) представили подход к анализу вредоносных программ на основе машинного обучения, основанный на механизме обнаружения аномалий.Результаты показали, что сеть Байеса и классификаторы случайного леса дают точные результаты, достигая 99,97% True-Positive Rate (TPR) по сравнению с методом многослойного персептрона только с 93,03% TPR с использованием набора данных MalGenome . Однако точность этой схемы упала до 85% для последних экспериментов с вредоносными программами.

Программа-вымогатель

для настольных компьютеров может легко обойти любые меры противодействия и, таким образом, привести к конфискации личных данных. Авторы (Al-rimy, Maarof & Shaid, 2018) представили эффективный механизм ранней диагностики и предотвращения крипто-вымогателей, который основан на методах машинного обучения ( One-Class SVM и методе n-грамм (Zhang, Xu & Wang, 2015)) и состоит из трех модулей: (1) предварительной обработки, (2) разработки признаков и (3) модуля обнаружения.Авторы использовали адаптивный механизм обнаружения аномалий, который обрабатывает динамические характеристики систем и часто обновляет нормальный профиль, построенный на основе извлечения признаков (Al-rimy, Maarof & Shaid, 2017), чтобы повысить точность обнаружения.

В исследовании (Kharraz et al., 2015) представлен анализ семейств программ-вымогателей (2006–2014 гг.) и сделан вывод о том, что для обнаружения программ-вымогателей следует наблюдать за подозрительной активностью файловых систем. Например, изменения в типах пакетов запросов ввода/вывода (IRP) или главной таблицы файлов (MFT) обычно формируются для доступа к файловой системе.Значительное количество семейств программ-вымогателей имеют сходные черты в качестве основной части атак; однако по-прежнему отсутствует надежная деструктивная функция для успешного заражения файлов жертв. В таблице 1 мы резюмируем несколько других важных случаев обнаружения программ-вымогателей (Янг и др., 2015 г.; Андронио, Занеро и Магги, 2015 г.; Харраз и др., 2016 г.) и предотвращения (Ахмадиан, Шахриари и Гаффариан, 2015 г.; Ким, Сох и Ким , 2015; Lee, Moon & Park, 2016; Brewer, 2016). В последнее время глубокие нейронные сети и сверточные нейронные сети (CNN) продемонстрировали замечательную производительность в области распознавания объектов (Simonyan & Zisserman, 2014).Глубокие сверточные нейронные сети могут превзойти другие подходы, такие как обработка естественного языка (NLP), если обучение выполняется с использованием больших наборов данных (Liu & Liu, 2014; Zhang, Zhao & LeCun, 2015). Из-за ограниченного набора данных мы использовали алгоритмы машинного обучения с учителем. Более того, основная цель предложенной нами схемы — оценить эффективность профиля аппаратного исполнения (т. е. действительно динамической среды) для классификации программ-вымогателей и программ-не-вымогателей.

Таблица 1:

Всестороннее сравнение современных подходов вместе с их ключевыми моментами, недостатками и подходом к реализации.

Каталожные номера Методология Сильные стороны Ограничения
Демме и др. (2013)
  • Динамический подход

  • Обнаружение вредоносных программ для Android с помощью счетчиков производительности

  • Прикладные алгоритмы машинного обучения (KNN, дерево решений)

Точность 90% с 3% FP
Харраз и др.(2015)
  • Предполагается, что каждая файловая система имеет доступ к удалению или шифрованию ресурсов-приманок

  • Однако они не внедрили никакого конкретного решения для обнаружения или защиты от этих атак

Ким, Со и Ким (2015)
Нарудин и др. (2016)
  • Исследование на основе машинного обучения

  • Фильтрация TCP-пакетов, извлечение характеристик сетевого трафика

  • Оценка Байеса, случайного леса, KNN, J48 и MLP

  • Точное обнаружение на основе классификаторов машинного обучения.

  • BN и RF производят 99,97% TPR

  • Байес, MLP с ROC 0,995 и RF с 0,991

Заварский и Линдског (2016)
  • исследование жизненного цикла программ-вымогателей для Windows.

  • Реализовать базовую статическую и базовую динамику

  • Метод MD5, Cuckoo Sandbox.

  • Для Android Проанализируйте AndroidManifest.xml, права администратора

  • Для Windows анализировать файловые системы, действия реестра и сетевые операции

  • Объяснил подробный анализ, работу и функциональность программы-вымогателя

    .
  • Выполнен анализ RW

    на базе Windows и Android.
  • Инструмент PEiD используется для обнаружения программ-вымогателей Windows

  • Выполнен только базовый статический и динамический анализ.

  • Отсутствие подхода на основе машинного обучения для обнаружения программ-вымогателей нулевого дня

  • Отсутствие экспериментального анализа

Сонг, Ким и Ли (2016)
  • Предлагаемые методики по трем модулям: конфигурация, мониторы и процессы

  • метод хэш-информации используется для обнаружения программ-вымогателей типа CryptoLocker

  • Предлагаемая методика отслеживает процессы и определенные каталоги файлов

  • отслеживание файловых событий с использованием статистических методов использования процессора, использования памяти и скорости ввода-вывода

  • Не применимо к программам-вымогателям для Windows

  • Классификатор не используется

  • Не устанавливает и не выполняет приложения для предотвращения и обнаружения

  • Результаты не анализируются количественно

Харраз и др.(2016)
  • динамический подход

  • Отслеживает активность ввода-вывода файловой системы

  • Механизм блокировки экрана Detect,

  • б/у Tesseract-OCR

  • Обнаружено

    новых семейства программ-вымогателей, которые ранее не обнаруживались

  • Долгосрочное исследование проанализировало 148223 образца вредоносных программ и правильно обнаружило и проверило 13637 образцов программ-вымогателей

  • 96.3% ставка TP и 0 FP

  • Точность не очень хорошая. Например, система правильно обнаруживает 7 572 программы-вымогателя, в то время как была обнаружена только одна неизвестная программа —

    .
Сгандурра и др. (2016)
  • Динамический мониторинг активности файловой системы на платформе Windows

  • Классификация полезного ПО и программ-вымогателей с помощью ML

  • Используется классификатор взаимной информации и регуляризованной логистической регрессии.

  • Предлагаемый подход к машинному обучению EldeRan

  • эффективный и полностью автоматизированный инструмент для анализа нового программного обеспечения и расширения возможностей обнаружения антивирусного программного обеспечения

  • Ключ реестра

    и вызовы API — это два класса с наиболее важными функциями.

  • EldeRan достигает ROC-кривой 0,995, уровень обнаружения 96,3%

  • Несмотря на хорошие результаты, EldeRan по-прежнему нельзя использовать в качестве замены AV

    .
  • в текущих настройках нет других приложений, запущенных на виртуальной машине, кроме тех, которые приходят со свежей установкой Windows,

  • исходный набор данных был больше

  • Невозможно проанализировать RW, который ведет себя тихо, или ждать, пока пользователь что-то сделает

Чен и Роберт (2017)
  • Динамический поведенческий анализ желания плакать

  • Представить метод извлечения признаков вредоносных программ из журналов хостов

  • Подход

    TF-IDF дает лучшие результаты для анализа «хочу плакать»

Аль-Рими, Маароф и Шаид (2017)
  • N-грамма машинного обучения, EFCM,

  • Получение информации,

  • Раздвижное окно

  • Статическая + динамическая конфигурация

  • SVM для обнаружения поведения

Бахадор, Абади и Таджоддин (2019)
  • Подход

    HLMD может обнаруживать вредоносные приложения в начале выполнения и может достигать средней точности, отзыва и F-меры, равной 95.19 %, 89,96 % и 92,50 % соответственно

  • Их подход подходит для независимых вредоносных программ (червей, троянов и ботов), которые могут запускаться автономно, без необходимости привязки к хост-программе

  • Неприменимо к программам-вымогателям

Дион и Брохи (2020)
  • Выполнен экспериментальный анализ случайного леса, дерева принятия решений с усилением градиента (GBDT), нейронной сети с использованием многослойного персептрона и трех типов машины опорных векторов (SVM)

  • Random Forest и GBDT превзошли

  • Авторы упомянули, что экспериментальная платформа может идентифицировать только программы-вымогатели в формате exe или ddl

  • Применяется только контролируемое машинное обучение

Кадияла и др.(2020)
  • Анализ вредоносного ПО с использованием аппаратных счетчиков производительности

  • Предложена трехэтапная методология, включающая i) извлечение HPC ii) поиск максимальной дисперсии путем сокращения мелких данных iii) применение алгоритмов машинного обучения

Алам и др. (2020)
  • Динамический анализ

  • Искусственный инструмент

Нейронная сеть и быстрое преобразование Фурье
  • Платформа двухэтапного обнаружения с именем RAPPER

  • точное, быстрое и надежное решение для обнаружения программ-вымогателей.

  • Используемые минимальные точки трассировки

  • Предоставить комплексное решение для выполнения стандартного эталонного теста,

  • Шифрование диска

    и обычное высокое

  • вычислительные процессы

  • HPC использовались для анализа файлов с помощью инструмента perf

  • Наблюдение за 5 событиями только HPC, т. е. инструкции, ссылки на кэш, промахи в кэше, переходы и промахи переходов

  • Проанализируйте и представьте все тематические исследования, дав сравнение только с WannaCry

  • Отсутствие подробных экспериментальных результатов и точности.

Наш подход
  • Применение алгоритма машинного обучения, такого как RF, дерево решений, повышение градиента, экстремальное повышение градиента

  • Достигнут F-показатель 0,97

  • Повышение Random Forest и Extreme Gradient превзошло

DOI: 10.7717/peerj-cs.361/таблица-1

Кроме того, счетчики производительности демонстрируют истинное поведение приложения при выполнении и используются исследователями для анализа производительности приложения (Mucci et al., 1999; Бахадор, Абади и Таджоддин, 2014 г.; Демме и др., 2013). В Basu и соавт. (2019) авторы использовали аппаратные счетчики производительности для обнаружения вредоносных программ для Android, а в другой аналогичной работе (Bahador, Abadi & Tajoddin, 2019) авторы представили эвристику (с использованием сигнатурных функций и аппаратных счетчиков производительности) для обнаружения и классификации вредоносных программ. Их подход подходит только для обнаружения вредоносных программ, которые вызываются как автономные приложения и не зависят от других хост-приложений.Таким образом, ни один из существующих методов динамического анализа не использует важную динамическую функцию, такую ​​как HPC, для обнаружения вредоносных приложений на базе платформы Windows. Несмотря на то, что существует несколько доступных подходов, которые классифицируют безобидные приложения от программ-вымогателей, однако, насколько нам известно, ни один другой подход (использующий счетчики производительности оборудования) не классифицировал вредоносное ПО в подкласс программ-вымогателей/не-вымогателей на платформе Windows. Вредоносное ПО может использовать методы обфускации, чтобы обмануть антивирусы, основанные на статическом анализе.Кроме того, поведение во время выполнения нельзя запутать, и его можно обнаружить с помощью динамического анализа. Мы считаем, что этот аспект следует использовать, а профиль аппаратного исполнения следует использовать для запуска приложений для обнаружения программ-вымогателей. Основываясь на этих фактах, мы утверждаем, что HPC — это полезные функции, которые можно использовать для обнаружения и классификации программ-вымогателей. В этом исследовании мы используем различные классификаторы машинного обучения, такие как дерево решений, случайный лес, повышение градиента и экстремальное повышение градиента, а также HPC для решения следующих вопросов:

  1. Насколько программы-вымогатели отличаются от вредоносных программ во время выполнения с учетом методов машинного обучения?

  2. Какие счетчики производительности оборудования (HPC) играют жизненно важную роль в обнаружении программ-вымогателей?

Мотивация и методология

Динамический анализ обладает достаточным потенциалом для точного обнаружения угрозы программ-вымогателей, поскольку исполняемая программа не может скрыть свои истинные характеристики.Поэтому большинство поставщиков антивирусов полагаются на автоматические механизмы динамического анализа для обнаружения новых вариантов программ-вымогателей. Большинство антивирусов применяют эвристику в сочетании с анализом поведения, чтобы определить, является ли исполняемый файл безопасным или вредоносным (Sgandurra et al., 2016).

Для наблюдения за поведением исполняемого приложения используется широкий спектр HPC, то есть тактовых циклов, попадание в кэш, промахи в кэше, инструкции ветвления, промахи ветвления, устаревшие инструкции и т. д. (Chiappetta, Savas & Yilmaz, 2016) .Обычно симметричное шифрование помечает события на основе кеша, в то время как асимметричное шифрование влияет на инструкции и события ветвления, как описано в Alam et al. (2020). HPC использовались многими разработчиками приложений для выявления узких мест в вычислениях и памяти для повышения производительности и надежности выполняемых приложений (Chiappetta, Savas & Yilmaz, 2016). В этом исследовании мы используем 11 счетчиков производительности для классификации программ-вымогателей. Для классификации мы обучаем используемые классификаторы машинного обучения анализировать динамическое поведение программ-вымогателей и вредоносных программ, не являющихся программами-вымогателями.Кроме того, классификация программ-вымогателей из Традиционных вредоносных программ имеет важное значение из-за интенсивности причиняемого ущерба с точки зрения финансовых потерь. В отличие от традиционных вредоносных программ, выявлять и уничтожать программы-вымогатели сложнее, даже если они обнаружены, а ущерб остается непоправимым даже после их удаления Al-rimy, Maarof & Shaid (2018) and Zhang et al. (2019). Следовательно, очень важно распознавать и изолировать вредоносное ПО от программ-вымогателей из-за схожести по своей природе.Поэтому необходимо разработать формальный механизм классификации, чтобы отличить программы-вымогатели от других программ-вымогателей Zhang et al. (2019) Аурангзеб и др. (2017) и Kok et al. (2019), чтобы избежать миллиардов транзакций во имя выкупа.

Сбор набора данных

Для эксперимента мы получили случайно выбранные 160 вредоносных программ для Windows из VirusShare . Репозиторий VirusShare предоставляет набор данных, связанных с программами-вымогателями и многими другими типами вредоносных приложений для платформы Windows (в дополнение к другим платформам, таким как Android, Linux и т.). Он часто обновляется и в настоящее время содержит последние вредоносные приложения, предоставленные сообществом (Kouliaridis & Kambourakis 2020). Благодаря разнообразию платформа VirusShare очень популярна в исследовательском сообществе. Мы собрали набор данных из VirusShare , связанных с вредоносными приложениями для Windows. После статического анализа загруженных приложений запутанные приложения отсеиваются. После этого каждая вредоносная программа помечается как программа-вымогатель или программа-вымогатель на основе данных анализа, предоставленных многими известными антивирусами, доступными через VirusShare .Эти метки дополнительно проверяются с помощью тегов, доступных на VirusShare , для подтверждения. В этом исследовании безопасные двоичные файлы не рассматриваются, поскольку основная цель исследования — классифицировать программы-вымогатели и другие вредоносные приложения. Поэтому мы рассматриваем вредоносные программы категории Trojan (как образец, не являющийся вымогателем) в связи с их схожестью в действиях с вымогателем (Газета, 2010). Используемые классификаторы обучаются с использованием поведенческих признаков программ-вымогателей и программ-нешифровальщиков с явной маркировкой (т.e., программы-вымогатели/программы, не являющиеся программами-вымогателями). Кроме того, непересекающийся набор данных используется для обучения и тестирования.

Извлечение признаков

Все вредоносные программы в наборе данных выполняются в карантинной среде, а их данные, относящиеся к счетчикам производительности оборудования, собираются с использованием perf (инструмента инструментирования и анализа производительности (De Melo, 2010; Weaver, 2013; Alam et al., 2020). )). Для обеспечения надежности и точности результатов приводятся средние значения трех циклов экспериментов.Мы запускали каждое приложение три раза на виртуальной машине (например, VMWorkstation 12 Pro 12.1.1 build 3770994) не более 240 с с разными входными параметрами для имитации реальной интерактивной среды. После выполнения каждого вредоносного приложения виртуальная машина сбрасывается в исходное состояние с помощью функции моментального снимка (чтобы трассировка счетчика производительности, собранная во время предыдущего выполнения, не смешивалась с текущим выполнением).

Для проблемы двоичной классификации, описанной выше, мы используем аппаратные счетчики производительности в качестве функций, то есть (1) часы задач , (2) переключение контекста , (3) ЦП используется , (4) миграции ЦП , (5) ошибок страниц , (6) циклов ЦП , (7) промахов кеша , (8) устаревших инструкций , (9) выполненных переходов , (10) промахов переходов и (11) время выполнения (показано в таблице 2) для обучения классификатора машинного обучения.Мы запустили приложения-вымогатели на ПК в виртуальной машине и записали функции (например, счетчики производительности оборудования и т. д.), используя perf . Библиотека perf предоставляет связанные значения счетчиков аппаратной производительности, представляющие участие нескольких важных аппаратных функций процессора во время выполнения. Выбор функций играет важную роль в достижении точного обучения используемых моделей машинного обучения; тем самым достигая точных результатов с эффективной производительностью и низкими накладными расходами (Li et al., 2017). Матрица корреляции между используемыми функциями создается для анализа шаблона, который приводит к выбору функций. Два признака считаются отрицательно коррелированными, если изменение одного признака обратно пропорционально влияет на значение другого признака. Корреляционный анализ признаков представлен на рис. 2. Если два числовых признака сильно коррелированы, то одним из них можно пренебречь. Поэтому мы использовали подмножество тех функций, которые не связаны друг с другом, чтобы уменьшить накладные расходы на вычисления в процессе обучения моделей машинного обучения.Рисунок 2 показывает, что аппаратная функция Cache Misses имеет низкую положительную корреляцию со всеми другими функциями. С другой стороны, функция Task Clock тесно связана с переключателями контекста, циклами, инструкциями, ветвями и промахами ветвей . Признаки с более высоким рангом считаются потенциальными признаками для классификации, чем признаки с низким рангом, как показано в Таблице 3.

Таблица 2:

Набор функций, используемых в этой работе для оценки производительности (HPC).

Миграция ЦП
Серийный номер Характеристики оборудования Описание
1 Таск-часы Таск-часы показывают время, затраченное на задачу (Кузнецова и др., 2017)
2 Загрузка ЦП CPU-clock основан на общем времени, затраченном на CPU
3 Переключение контекста объясняет, сколько раз программа отключала ЦП от одного процесса/потока к другому (Кузнецова и др., 2017)
4 Миграция процессора описывает равенство в распределении рабочей нагрузки по всем ядрам. (Кузнецова и др., 2017)
5 Ошибки страницы Ошибки страниц возникают, когда виртуальное содержимое программы необходимо скопировать в физическую память (Кузнецова и др., 2017)
6 Инструкций за цикл Среднее количество инструкций, выполняемых за каждый такт
7 Филиал Ветвь — это инструкция в компьютерной программе, которая может привести к тому, что компьютер начнет выполнять другую последовательность инструкций и, таким образом, отклонится от своего поведения по умолчанию при выполнении инструкций в порядке
8 Ветка отсутствует Неправильное предсказание ветвления происходит, когда процессор неверно предсказывает следующую инструкцию для обработки в предсказании ветвления, которое направлено на ускорение выполнения.
9 циклов Perf-CPU-cycles — это количество циклов ЦП, которое отслеживается до аппаратного счетчика (Flater, 2014)
10 Кэш отсутствует Промахи кэша — это состояние, при котором не получаются данные, которые обрабатываются компонентом или приложением, не найденным в кэше.
11 Общее истекшее время Общее время выполнения в секундах
ДОИ: 10.7717/peerj-cs.361/таблица-2
Рисунок 2: Корреляционный анализ набора функций.
Таблица 3:

Особенности рангового списка.

Ранг Оценка Функция
1 0,20145 Кэш отсутствует
2 0,181887 TaskClock
3 0,153562 Филиалы
4 0.10867 СекундсTimeElapsed
5 0,086973 Инструкции
6 0,085666 ФилиалМиссис
7 0,044272 Контекстные переключатели
8 0,042727 Ошибка страницы
9 0,040087 Миграция процессора
10 0,028564 циклов
11 0.026142 CPUИспользовано
DOI: 10.7717/peerj-cs.361/таблица-3

На этапе обучения функции оборудования извлекаются путем выполнения известного вредоносного и невредоносного приложения в системных блоках, содержащих среду, как показано на рис. 3А и 3В. В общей сложности 80% используемого набора данных используется для обучения, а 20% — для тестирования. Мы использовали K -кратный ( k = 10) механизм перекрестной проверки и сравнили точность обнаружения программ-вымогателей различными классификаторами, чтобы убедиться, что набор данных используется единообразно и без какой-либо предвзятости.Это приводит к беспристрастным циклам обучения и тестирования, дающим результаты, на основании которых мы можем с уверенностью сделать вывод. Для каждого цикла обучения/тестирования использовалось разделение 20% тестирования и 80% обучения. Цель методов машинного обучения с учителем — найти функцию, которая обучается с использованием используемых функций, чтобы ошибка была минимальной для новых или невидимых данных. На этапе обучения модель классификации обучается с использованием HPC, как показано в таблице 2. Методология тестирования или проверки выполняется после обучения классификаторов.

Рисунок 3: Рабочий процесс извлечения признаков для этапов обучения и тестирования: (A) Рабочий процесс процесса обучения, (B) Рабочий процесс этапа тестирования.

Модель классификации

Алгоритмы классификации машинного обучения, а именно Дерево решений, Случайный лес, Повышение градиента и Экстремальное повышение градиента , используются для целей классификации, таких как обнаружение фишинга, распознавание лиц и финансовые прогнозы (Jordan & Mitchell, 2015), и т.п.Мы используем эти четыре классификатора как часть предлагаемой методологии для анализа их эффективности при обнаружении программ-вымогателей.

Дерево решений — это древовидный классификатор, который содержит корень, внутренние узлы и конечные узлы. Метка класса присваивается каждому листовому узлу, а решения принимаются внутренними узлами (Tan, Steinbach & Kumar, 2006). Классификатор Random Forest (RF) основан на комбинации нескольких предикторов дерева решений, так что каждое дерево зависит от значений случайного вектора, отобранного независимо и с одинаковым распределением для всех деревьев в лесу (Xuan et al., 2018). Extreme Gradient Boosting XGBoost и Gradient Boosting следуют одному и тому же основному принципу, однако есть несколько различий в деталях их моделирования. В частности, экстремальное повышение градиента использует более регулярную формализацию модели для управления проблемой переобучения , которая может возникнуть из-за линейной подгонки зашумленных данных для повышения производительности (Jbabdi et al., 2012). Для дерева решений и случайного леса максимальная глубина дерева установлена ​​равной 2, чтобы избежать проблем с неполным подбором.Чтобы получить более гладкую кривую, к механизму случайного леса применяется метод мешков, где каждое из деревьев выполняется параллельно, создавая лес. Поскольку каждое дерево является независимым, поэтому для анализа берется результат всего леса (что приводит к более гладкой кривой). -Проверка. Первая складка оценивается с другими сгибами, и при втором выполнении она берет первую и вторую складки для сравнения с остальными, это продолжается до тех пор, пока 80% обучающих данных не сравниваются с 20% тестовых данных.

Результаты и обсуждение

Для экспериментов мы используем систему с процессором Intel Core i7, 8 ГБ памяти и Ubuntu 12.10 OEM в качестве операционной системы. Для классификации используется инструмент машинного обучения Scikit-learn (Pedregosa et al., 2011; Black et al., 2020). Для оценки результатов рассчитываются стандартные меры оценки, то есть точность , отзыв и F-мера , чтобы определить точность каждого классификатора. Уравнения (1)–(4) обеспечивают математическое описание точности, прецизионности, полноты и f-меры соответственно.Термины, используемые в уравнениях. (1)–(4) объясняются следующим образом: показатель True Positive (TP) показывает количество предсказанных положительных результатов, которые являются правильными, а показатель False Positive (FP) относится к количеству предсказанных положительных результатов, которые неверны. . Точно так же показатель True Negative (TN) показывает количество предсказанных отрицательных результатов, которые являются правильными, в то время как показатель False Negative (FN) относится к количеству предсказанных отрицательных результатов, которые неверны. Припоминание — это чувствительность к наиболее релевантному результату.F-мера — это значение, которое оценивает производительность всей системы путем вычисления среднего гармонического значения точности и полноты. Максимальное значение 1,000 для точности и полноты указывает на лучший результат (Нарудин и др., 2016).

(1) Accuracy=TP+TNTP+TN+FP+FNPrecision обозначает долю предсказанных положительных случаев, которые правильно являются реальными положительными результатами.

(2) Точность = TPTP + FP. Отзыв — это доля реальных положительных случаев, которые являются прогнозируемыми положительными

(3) Отзыв=TPTP+FN

(4) F-Measure=2*(Precision*Recall)(Precision+Recall) Кривые рабочих характеристик приемника (ROC) (Metz, 1978; Dion & Brohi, 2020) широко применяются в значительных исследованиях для измерения точности машины. модели обучения, которые тренируются для достижения реальных результатов (Bradley, 1997).Кроме того, кривые ROC применяются во многих систематических подходах, которые объединяют несколько подсказок, результатов тестов и т. Д., А также строятся и оцениваются для характеристики качественной характеристики конкретного. ROC представляет собой график, на котором ось Y зарезервирована для частоты ложных срабатываний (TPR), а ось X зарезервирована для частоты ложных срабатываний (FPR). Для всех возможных классификаций, таких как выходной класс, скорость TPR зависит от настройки, в которой реальная классификация считается положительной, и количество раз, когда классификатор предсказывал положительный результат.FPR можно определить как то, как классификатор неправильно помечает положительные те, которые классифицируются как отрицательные. Вместе значения TPR и FPR лежат между 0 и 1 (1 указывает на точный прогноз).

Результаты, основанные на классификаторе дерева решений, можно увидеть на рис. 4. Кривая ROC для обоих классов (т. е. программы-вымогатели как класс «1» и программы-вымогатели как класс «0») одинаковы со значением 0,94, что означает отличное предсказание. Однако кривая точности-отзыва для класса 0, то есть для Non-Ransomware , показывает точность 0.89 или 89%, тогда как для класса 1, то есть вымогателей, точность составляет 0,93. Оценка F-меры дерева решений составляет 0,94, как показано в таблице 4.

Рис. 4. Поведение показателей производительности дерева решений, (A) кривые ROC для классов 0 и 1, (B) кривая Precision-Recall для классов 0 и 1.

Таблица 4:

Точность дерева принятия решений, показатель полноты и F-мера для классов вредоносных программ (0, 1).

Класс вредоносных программ Точность Отзыв F-мера
Программы-вымогатели (метка класса 1) 1.0 0,88 0,93
Программы, не являющиеся программами-вымогателями (метка класса 0) 0,89 1,0 0,94
DOI: 10.7717/peerj-cs.361/таблица-4

Результаты, полученные с использованием классификатора Random Forest для двух классов (т. е. программ-вымогателей и программ-вымогателей ), показаны на рис. 5, а показатель F-меры показан в таблице 5. Более высокие результаты точности очевидны аналогичное значение кривой ROC, то есть 0.99 как для программ-вымогателей, так и для классов, не являющихся программами-вымогателями.

Рис. 5. Поведение показателей производительности случайного леса, (A) кривые ROC для классов 0 и 1, (B) кривые Precision-Recall для классов 0 и 1.

Таблица 5:

Точность отзыва случайного леса и оценка F-меры по классам 0 и 1.

Класс вредоносных программ Точность Отзыв F-мера
Программы-вымогатели (метка класса 1) 1.0 0,94 0,97
Программы, не являющиеся программами-вымогателями (метка класса 0) 0,94 1,0 0,97
DOI: 10.7717/peerj-cs.361/таблица-5

Результаты, отражающие производительность повышения градиента, показанные на рис. 6, показывают, что значения ROC-кривой для обоих классов (т. кривые отзыва обоих классов следуют аналогичному образцу с высокой точностью.Оценка F-меры классификатора повышения градиента составляет 0,93 для программ-вымогателей и 0,94 для программ, не являющихся программами-вымогателями (как показано в таблице 6).

Рис. 6. Поведение показателей производительности при повышении градиента: (A) ROC-кривые для классов 0 и 1. (B) Кривые Precision-Recall для классов 0 и 1.

Таблица 6:

Градиент, повышающий точность, отзыв и оценку F-меры для классов вредоносных программ.

Класс вредоносных программ Точность Отзыв F-мера
Программы-вымогатели (метка класса 1) 1.0 0,88 0,93
Программы, не являющиеся программами-вымогателями (метка класса 0) 0,89 1,0 0,94
DOI: 10.7717/peerj-cs.361/таблица-6

Результаты на основе модели классификации с экстремальным повышением градиента показаны на рис. 7 и в таблице 7. Кривая ROC и кривая Precision-Recall для обоих классов (т. е. программ-вымогателей и программ-вымогателей) одинаковы (т. е. 1,0). Оценка F-меры модели на основе экстремального повышения градиента равна 0.97, что похоже на повышение градиента и классификацию на основе случайного леса, как показано в таблице 8. Модель классификации на основе случайного леса превзошла классификацию на основе дерева решений, достигнув точности 0,94, как показано в таблице 8. Однако значение F-меры для обоих классов равно 0,97 (как показано в таблице 8). Модель достигла улучшения на 3% по сравнению с классификацией на основе дерева решений. Модель показывает аналогичные результаты F-меры 0,97, наблюдаемые для случайного леса и повышения экстремального градиента.

Рис. 7. Поведение показателей производительности при экстремальном повышении градиента: (A) ROC-кривые для классов 0 и 1. (B) Кривые Precision-Recall для классов 0 и 1.

Таблица 7:

Экстремальный градиент, повышающий точность, отзыв и F-показатель для вредоносного ПО.

Класс вредоносных программ Точность Отзыв F-мера
Программы-вымогатели (метка класса 1) 1.0 0,94 0,97
Программы, не являющиеся программами-вымогателями (метка класса 0) 0,94 1,0 0,97
DOI: 10.7717/peerj-cs.361/таблица-7 Таблица 8:

Результат четырех классификаторов и их сравнение по F-мере.

Классификатор F-мера
Дерево решений 0,94
Случайный лес 0.97
Усиление градиента 0,94
Экстремальное усиление градиента 0,97
DOI: 10.7717/peerj-cs.361/таблица-8

Это исследование продемонстрировало возможность использования HPC в качестве потенциальных функций для обнаружения программ-вымогателей. После анализа наборов программ-вымогателей и программ, не являющихся программами-вымогателями, функции, полученные от HPC, были проанализированы для классификации вредоносных приложений по категориям программ-вымогателей и программ-нешифровальщиков с использованием нескольких алгоритмов машинного обучения, таких как Decision Tree, Random Forest, Gradient Boosting и Extreme. Повышение градиента .Результаты подробных экспериментов, о которых говорилось ранее в этом разделе, показали, что извлеченные аппаратные функции играют важную роль в обнаружении и идентификации программ-вымогателей. Среди всех используемых классификаторов машинного обучения модель на основе случайного леса и экстремальное повышение градиента превзошли, дав оценку F-меры 0,97, за которой следует дерево решений, достигшее F-меры 0,94. Более того, промахи кеша функций, часы задач и ответвления, полученные с помощью высокопроизводительных вычислений, можно рассматривать как потенциальные параметры при классификации программ-вымогателей от программ-вымогателей.

Выводы

В этой статье был представлен анализ высокопроизводительных вычислений для классификации программ-вымогателей Windows. Результаты показали, что HPC обладают значительным потенциалом для выявления скрытых индикаторов выполняемых приложений, таких как вредоносные коды и программы-вымогатели. Счетчики производительности, то есть промахов кеша, часы задач и ветвей , сыграли ключевую роль в классификации программ-вымогателей таким образом, что при большом количестве промахов кеша или большом количестве ошибочных прогнозов ветвлений (где поток управления становится обнаруживаемые аномальные) являются хорошими индикаторами, помогающими определить потенциальную атаку (Foreman, 2018).Предлагаемый метод обладает адекватным потенциалом для обеспечения достаточной точности обнаружения за счет достижения показателя F-мера 0,97. Это исследование продемонстрировало возможность использования HPC в качестве потенциальной функции для обнаружения программ-вымогателей. Однако эта тема нуждается в дальнейшем исследовании. В будущем мы намерены тщательно изучить другие динамические функции с комбинацией графов вызовов для обнаружения и классификации программ-вымогателей. Более того, применение алгоритмов машинного обучения показало очень многообещающие результаты в обнаружении программ-вымогателей.В будущем мы расширим это исследование, чтобы выполнить углубленный статический анализ, а также динамический анализ с комбинацией высокопроизводительных вычислений при обнаружении программ-вымогателей, которые обычно скрываются за счет применения различных методов запутывания (таких как упакованные или сжатые программы или косвенная адресация). (Бехера и Бхаскари, 2015)). Одной из основных проблем и ограничений этого исследования является обнаружение программами-вымогателями ложных срабатываний и ложных отрицаний. Рассмотрим случай с программой-вымогателем Qwerty, которая использует безопасный исполняемый файл GPG для выполнения шифрования.Возможно, предлагаемое решение правильно обнаружит двоичный файл GPG при таком использовании, но мы подозреваем, что оно также обнаружит его в доброкачественном случае. Поскольку в этой работе мы не оценивали безопасные исполняемые файлы, неясно, как система работает с программным обеспечением, выполняющим задачи шифрования и/или сжатия, что является ограничением этого исследования, которое будет исследовано в нашей будущей работе. Более того, собранные функции связаны со специфическими для оборудования средами, поэтому, если система имеет ту же архитектуру, то обученные модели классификации применимы как есть.Однако, если аппаратная среда отличается (т. Е. Другая архитектура), нам необходимо переобучить наши модели машинного обучения для этой конкретной аппаратной среды. Одним из ограничений предлагаемой нами работы является то, что модели машинного обучения, обученные на конкретной архитектуре, не переносимы на другие архитектуры машин. Более того, из-за скромного набора данных механизмы глубокого обучения в настоящее время не применимы.

About Author


alexxlab

Добавить комментарий

Ваш адрес email не будет опубликован.