مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

1,956
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

1,067
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

تشخیص حملات شبکه های کامپیوتری با یادگیری ماشین و تحلیل داده های جریان ترافیک

صفحات

 صفحه شروع 15 | صفحه پایان 24

چکیده

 با گسترش کاربردهای فناوری اطلاعات, هر روزه خدمات بیشتری برروی بستر شبکه های کامپیوتری ارائه می گردد که به همین نسبت تهدیدات امنیتی این سامانه ها با اهداف خراب کارانه و یا تجاری توسعه یافته است. یکی از روش هایی که می توان از پیچیدگی تحلیل کل ترافیک کم کرد, تحلیل خلاصه داده های مربوط به جریان ترافیک به جای کل ترافیک می باشد. NetFlow از استانداردهای تولید داده های جریان ترافیک است که داده های خلاصه از جریان های ترافیک شبکه را به صورت خودکار توسط مسیریاب ها و سوئیچ های سیسکو تولید می نماید. در این مقاله رویکرد مبتنی بر یادگیری ماشین برای تحلیل ترافیک و دسته بندی آن به منظور شناسایی ترافیک های مربوط به حملات و انجام اقدامات پیشگیرانه, ارائه شده است. برای این کار, از الگوریتم های مختلف یادگیری ماشین شامل بیز ساده (Naive Bayes), ماشین بردار پشتیبان (SVM) و درخت تصمیم بیز (NBTree) برای مدل سازی داده های خلاصه جریان ترافیک استفاده شده است. برای ارزیابی روش های ارائه شده از مجموعه داده KDDcup99 استفاده شده است که قبل از استفاده در الگوریتم های مربوطه, ویژگی های مربوط به خلاصه جریان ترافیک از آن استخراج شده (7 ویژگی) و الگوریتم های دسته بندی مذکور هم بر روی همان ویژگی ها و هم بر روی همه ویژگی های موجود در داده ها (41 ویژگی) اجرا شده اند. متوسط دقت دسته بندی برای دسته های مختلف (22 دسته حمله و یک دسته ترافیک نرمال) نشان می دهد که استفاده از 7 ویژگی کارایی را زیاد تغییر نمی دهد اما محاسبات را به میزان چشمگیری کاهش می دهد. متوسط دقت روش ها بیشتر از 97% بوده و در بهترین حالت (روش SVM با 41 ویژگی), متوسط دقت بیشتر از 99% است.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    ویسی، هادی، موسوی، سیدهادی، و خوانساری، محمد. (1399). تشخیص حملات شبکه های کامپیوتری با یادگیری ماشین و تحلیل داده های جریان ترافیک. فناوری اطلاعات و ارتباطات انتظامی، 1(1 )، 15-24. SID. https://sid.ir/paper/401087/fa

    Vancouver: کپی

    ویسی هادی، موسوی سیدهادی، خوانساری محمد. تشخیص حملات شبکه های کامپیوتری با یادگیری ماشین و تحلیل داده های جریان ترافیک. فناوری اطلاعات و ارتباطات انتظامی[Internet]. 1399؛1(1 ):15-24. Available from: https://sid.ir/paper/401087/fa

    IEEE: کپی

    هادی ویسی، سیدهادی موسوی، و محمد خوانساری، “تشخیص حملات شبکه های کامپیوتری با یادگیری ماشین و تحلیل داده های جریان ترافیک،” فناوری اطلاعات و ارتباطات انتظامی، vol. 1، no. 1 ، pp. 15–24، 1399، [Online]. Available: https://sid.ir/paper/401087/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button