تشخیص تروجان با استفاده از مدل های جنگل تصادفی و درختان اضافی

با گسترش و پیشرفت سیستم های شبکه ای و ابری، بدافزارهای تروجان به دلیل توانایی پنهان سازی محتوای مخرب خود در ترافیک های عادی شبکه، چالشی جدی برای سیستم های تشخیص سنتی (مبتنی بر امضا) ایجاد کرده اند. برای غلبه بر این چالش، یادگیری ماشین و به ویژه مدل های مبتنی بر درخت ترکیبی به دلیل قابلیت درک الگوهای پیچیده و غیرخطی، راهکاریی بسیار کارآمد محسوب می شوند. این مطالعه یک تحلیل مقایسه ای ساختاریافته برای تشخیص ترافیک تروجان از ترافیک بی خطر شبکه ارائه می دهد که بر روی دو الگوریتم جنگل تصادفی و درختان اضافی تمرکز دارد. هدف اصلی این پژوهش، بررسی قابلیت های تفکیک پذیری و مقایسه عملکرد این دو مدل تحت شرایط پیش پردازش و ارزیابی کاملا یکسان در یک دسته بندی دوتایی است.

کلیدواژه ها:

بدافزار تروجان ، امنیت سایبری ، یادگیری ماشین ، جنگل تصادفی ، درختان اضافی