تشخیص نفوذ در شبکه های رایانه ای با استفاده از درخت تصمیم و کاهش ویژگی ها

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 382

فایل این مقاله در 11 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_PADSA-9-3_008

تاریخ نمایه سازی: 21 آذر 1400

چکیده مقاله:

امروزه نیاز به سیستم­های تشخیص نفوذ مبتنی بر ناهنجاری به دلیل ظهور حملات جدید و افزایش سرعت اینترنت بیشتر از قبل احساس می شود. معیار اصلی برای تعیین اعتبار یک سیستم تشخیص نفوذ کارآمد، تشخیص حملات با دقت بالا است. سیستم­های موجود علاوه بر ناتوانی در مدیریت رو به رشدحملات،دارای نرخ­های بالای تشخیص مثبت و منفی نادرست نیز می­باشند. در این مقاله از ویژگی­هایدرخت تصمیمID۳ برای سیستم­های تشخیص نفوذ مبتنی بر ناهنجاری استفاده می­شود. همچنین از دو روش انتخاب ویژگی برای کاهش میزان داده­های استفاده شده برای تشخیص و دسته­بندی استفاده می­شود. برای ارزیابی الگوریتم پیشنهادی از مجموعه داده KDD Cup۹۹ استفاده شده است. نتایج آزمایش نشان دهنده میزان دقت تشخیص برای حملهDoS به میزان۸۹/۹۹% و به طورمیانگین میزان دقت ۶۵/۹۴% برای کلیه حملات با استفاده از درخت تصمیم است که بیانگر مقادیر بهتر نسبت به کارهای قبلی است.

کلیدواژه ها:

نویسندگان

علی اکبر تجری سیاه مرزکوه

استادیار دانشگاه دولتی گلستان ،گرگان گروه علوم کامپیوتر

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 :
  • D.E. Denning, “An intrusion detection model,” IEEE Symposium on Security ...
  • C. Gates, C. Taylor, “Challenging the anomaly detection paradigm: A ...
  • R. Sommer, V. Paxson, “Outside the closed world: On using ...
  • J. Peng, K.K.R. Choo, H. Ashman, “User profiling in intrusion ...
  • A.I. Abubakar, H. Chiroma, S.A. Muaz, L.B. Ila, “A review ...
  • V. Paxson, S. Floyd, “Wide-area traffic: The failure of Poisson ...
  • D. Canali, M. Cova, G. Vigna, C. Kruegel, “Prophiler: A ...
  • A. Shiravi, H. Shiravi, M. Tavallaee, A. Ghorbani, “Toward developing ...
  • M. Tavallaee, E. Bagheri, W. Lu, A. a. Ghorbani, “A ...
  • U. Shaukat, Z. Anwar, “A fast and scalable technique for ...
  • L.S. Oliveira, R. Sabourin, F. Bortolozzi, C.Y. Suen, “A methodology ...
  • Z. Fei, B. Li, S. Yang, C. Xing, H. Chen, ...
  • E. De, A. Ortiz, A. Martinez-Alvarez, “Feature selection by multi-objective ...
  • E. Viegas, A. Santin, A. Franca, R. Jasinksi, V. Pedroni, ...
  • F. A. Khan, A. Gumaei, A. Derhab, A. Hussain, “A ...
  • J. Luo, S. Chai, B. Zhang, Y. Xia, J. Gao, ...
  • M. Ahsan, M. Mashuri, M. H. Lee, H. Kuswanto, D.D. ...
  • N. Moustafa, J. Slay, G. Creech, “Novel geometric area analysis ...
  • F. Gottwalt, E. Chang, T. Dillon, “Corrcorr: A feature selection ...
  • A. Maroosi, E. Zabbah, H.A. Khabbaz, “Network Intrusion Detection using ...
  • I. Caturvedi, E. Ragusa, P. Gastaldo, R. Zunino, E. Cambria, ...
  • R. Elkan, “Results of the KDD ۹۹ classifier learning,” ACM ...
  • M. Aldwairi, Y. Khamayseh, M. Al-Masri, “Application of artificial bee ...
  • H. Shirazi, Y. Kalaji, “An intelligent intrusion detection system using ...
  • نمایش کامل مراجع