ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

مدیریت و افزایش امنیت فضای سایبری با استفاده از طبقه بندی ترافیک شبکه مبتنی بر مدلهای یادگیری عمیق

سال انتشار: 1399
کد COI مقاله: SENACONF10_150
زبان مقاله: فارسیمشاهد این مقاله: 37
فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 13 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله مدیریت و افزایش امنیت فضای سایبری با استفاده از طبقه بندی ترافیک شبکه مبتنی بر مدلهای یادگیری عمیق

شیوا سلیمان پور - کارشناسی ارشد، شبکه های کامپیوتری، گروه مهندسی کامپیوتر، موسسه آموزش عالی آیندگان، تنکابن، ایران
سیداسمعیل سادات دیلمی - دانش آموخته مقطع کارشناسی ارشد، نرم افزار، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران، البرز، ایران
زینب خداوردیان - کارشناسی ارشد، شبکه های کامپیوتری، گروه مهندسی کامپیوتر، موسسه آموزش عالی آیندگان، تنکابن، ایران
حسین صدر - گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران، تهران، ایران

چکیده مقاله:

در دنیای تکنولوژی امروزی با پیشرفت فنّاوری، حجم و تراکم ترافیک شبکه های کامپیوتری در حال افزایش است و همین امر سبب ظهور انواع پروتکلهای جدید شده است. شرکتهایی نیز برای تحلیل این دادگان عظیم با خدماتی مبتنی بر شناخت پروتکل و یا کشف ناهنجاری، به وجود آمدهاند که بیانگر اهمیت این گونه تحلیل ها در شبکه اینترنت است. طبقه بندی ترافیک شبکه نقش مهمی در مدیریت شبکه و امنیت فضای سایبری دارد. طبقه بندی ترافیک با استفاده از یادگیری ماشین و بهویژه یادگیری عمیق یک رویکرد جدید برای طبقه بندی ترافیک رمزنگاری شده است. داده های نامتوازن یکی از چالش های اساسی در ترافیک رمزنگاری شده است. در این مقاله یک روش طبقهبندی مبتنی بر مدلهای یادگیری عمیق پیشنهاد شده است تا در طول آموزش مدل با مسئله داده های نامتوازن مقابله می کند. روش پیشنهادی از شبکه عصبی پیچشی با استراتژی حساس به هزینه استفاده میکند و برای هر کلاس هزینه متناسب با توزیع آن کلاس را در نظر میگیرد. آزمایش ها نشان داد که روش پیشنهادی میتواند عملکرد طبقه بندی را نسبت به روشهای پیشین بهبود دهد.

کلیدواژه ها:

طبقه بندی ترافیک، ترافیک رمزنگاری شده، شبکه های عصبی پیچشی، یادگیری عمیق، یادگیری حساس به هزینه

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1179798/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
سلیمان پور، شیوا و سادات دیلمی، سیداسمعیل و خداوردیان، زینب و صدر، حسین،1399،مدیریت و افزایش امنیت فضای سایبری با استفاده از طبقه بندی ترافیک شبکه مبتنی بر مدلهای یادگیری عمیق،دهمین کنگره سراسری فناوری های نوین در حوزه توسعه پایدار ایران،تهران،،،https://civilica.com/doc/1179798

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1399، سلیمان پور، شیوا؛ سیداسمعیل سادات دیلمی و زینب خداوردیان و حسین صدر)
برای بار دوم به بعد: (1399، سلیمان پور؛ سادات دیلمی و خداوردیان و صدر)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: موسسه غیرانتفاعی
تعداد مقالات: 343
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی