بهبود تشخیص نفوذ در شبکه با شناسایی ویژگی‌های مؤثر بر پایة الگوریتم‌های تکاملی و دسته‌بند ماشین بردار پشتیبان

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 318

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ISEE-11-1_003

تاریخ نمایه سازی: 19 بهمن 1399

چکیده مقاله:

روند رو به رشد استفاده از اینترنت و وجود نقاط آسیب‌پذیر در شبکه، استفاده از سیستم‌های تشخیص نفوذ را به‌عنوان یکی از مهم‌ترین عناصر برقراری امنیت درخور توجه قرار داده است. تشخیص نفوذ در اصل مسئلۀ دسته‌بندی است و شناسایی ویژگی‌های مؤثر ازجمله موضوعات با اهمیت در دسته‌بندی است. در این مقاله یک روش جدید برای انتخاب ویژگی‌های مؤثر در تشخیص نفوذ در شبکه، مبتنی بر الگوریتم تخمین توزیع ارائه شده است که از درخت وابستگی احتمالاتی برای شناسایی تعاملات بین ویژگی‌ها استفاده می‌کند. به‌منظور ارزیابی عملکرد این الگوریتم از مجموعه دادة NSL-KDD استفاده شده است که در آن، بسته‌ها به پنج دستة نرمال و نفوذهای نوع DOS، U2R، R2L و Prob تقسیم شده‌اند. عملکرد الگوریتم ارائه‌شده به تنهایی و به‌صورت ترکیبی با سایر الگوریتم‌های انتخاب ویژگی، مانند انتخاب پیشرو، انتخاب پسرو و الگوریتم ژنتیک، مقایسه و تأثیر پارامترهای الگوریتم، مانند اندازة جمعیت بر میزان دقت تشخیص نفوذ بررسی شده است. براساس نتایج حاصل از این تحلیل و نیز ترکیب نتایج بررسی میزان دقت درون دسته‌ای حاصل از به‌کارگیری الگوریتم‌های انتخاب ویژگی متفاوت، زیرمجموعه‌ای از ویژگی‌های مؤثر در تشخیص نفوذ شناسایی شده است.

نویسندگان

مسعود شریفیان

دانشکده فنی و مهندسی - دانشگاه شهید اشرفی اصفهانی - اصفهان - ایران

حسین کارشناس

استادیار، دانشکده مهندسی کامپیوتر - دانشگاه اصفهان - اصفهان - ایران

سعید شریفیان

دانشکده مهندسی کامپیوتر - دانشگاه اصفهان - اصفهان - ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • S. M. Lee, D.S. Kim, and J.S. Park, “A survey ...
  • [2] S.Mukkamala and A.H.Sung, “Identifying Significant Features for Network Forensic ...
  • [3] S. M. Tidke, and S.Vishnu, “Intrusion Detection System using ...
  • [4] H.A.Sonawane and T.M Pattewar, “A Comparative Performance Evaluation of ...
  • [5] S.Oh, J.S.Lee and B. R Moon, “Hybrid Genetic Algorithms ...
  • [6] J. Tang, S. Alelyani, and H. Liu, "Feature selection ...
  • [7] G.Chandrashekar and F.Sahin, "A survey on feature selection methods," ...
  • [8] R.Ravinder, R.B.Kavya and Y.Ramadevi, “A Survey on SVM Classifiers ...
  • [9] Y.B.Bhavsar and K.C.Waghmare, “Intrusion Detection System Using Data Mining ...
  • [10] P.Larranaga and J.A.Lozano, “Estimation of Distribution Algorithms”: A New ...
  • [11] M. Hauschild and M. Pelikan “An Introduction and Survey ...
  • [12] M. Pelikan, “Probabilistic model building Genetic Algorithms” University of ...
  • [13] G.Wang, J.Hao, J.Ma and J.Huang, “A new approach to ...
  • [14] Y.Chen and A.Abraham, “Estimation of Distribution Algorithm for Optimization ...
  • [15] M.Sheikhan, Z. Jadidi and A.Farrokhi, “Intrusion detection using reduced-size ...
  • [16] P.NSKH, N.M.Varma and N.R.Ramakrishna, “Principle Component Analysis based Intrusion ...
  • [17] G.Kumar, K.Kumar and M.Sachdeva, “The use of artificial intelligence ...
  • [18] P.Tao, Z.Sun and Z.Sun, “An improved intrusion detection algorithm ...
  • [19] A.Jonathan and S.Mandala, “Increasing Feature Selection Accuracy through Recursive ...
  • [20] K.Taher, B.Jisan and M.Rahman, “Network Intrusion Detection using Supervised ...
  • [21] V.Manekar and K.Waghmare, “Intrusion Detection System using Support Vector ...
  • [22] N.Krasnogor and J.Smith, “A Tutorial for Competent Memetic Algorithms”: ...
  • [23] M.Tavallaee, N.Stakhanova and A.A Ghorbani, “Towards credible evaluation of ...
  • [24] M.Pelikan “Genetic Algorithms”, Missouri Estimation of Distribution Algorithms Laboratory ...
  • نمایش کامل مراجع