ارائه یک مدل بهینه یادگیری عمیق جهت تشخیص ناهنجاری در شبکه های مبتنی بر جریان
سال انتشار: 1399
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 853
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CECCONF11_033
تاریخ نمایه سازی: 6 دی 1399
چکیده مقاله:
همگام با توسعه اینترنت و افزایش روز افزون کاربران، محافظت از داده ها در برابر تهدیدات امنیتی مسئله بسیار جدي محسوب میشود و سیستم هاي تشخیص نفوذ، نقش مهمی در تضمین امنیت اطلاعات دارد . در این مقاله مدلی کارآمد بر مبناي یادگیري عمیق با هدف بهبود دقت و سرعت تشخیص ناهنجاري در شبکه هاي مبتنی بر جریان ارائه شده است . به دلیل اهمیت ترتیب داده ها در ترافیک شبکه از شبکه هاي عصبی بازگشتی RNN استفاده شده تا ترتیب داده ها حفظ شوند . الگوریتم هاي RNN RNN DGRU و DLSTM ،SimpleRNN است. به منظور استفاده از داده هاي جریانیِ شبکه هايِ متفاوت، از مجموعه داده هاي NSL-KDD استفاده شده تا به کمک آن عملکرد مدل ارز ی ابی شود . همچن ین عملکرد مدل با روش هاي سنتی یادگیري ماشین که شامل درخت تصمیم Random Forest و Naïve Bayes ،SVM ،J48 مقایسه شده است. در نهایت با مقایسه روشهاي موجود و نتایج به دست آمده مدل DGRU-RNN عملکرد بهتري دارد.
کلیدواژه ها:
نویسندگان
سحر زمانیان
موسسه آموزش عالی پیشتازان شیراز
رضا جاویدان
دانشگاه صنعتی شیراز
حامد حداد پژوه
دانشگاه صنعتی شیراز