آرزو موسوی - دانشجوی کارشناسی ارشددانشگاه صنعتی امیرکبیر دانشکده مهندسی کامپیوتر و فناوری اطلاعات ازمایشگاه یادگیری ماشین

باگسترش سریع و روزافزون استفاده ازاینترنت دردهه های اخیر مبحث امنیت شبکه به یکی ازنگرانیهای اصلی درحوزه فناوری اطلاعات تبدیل شده است تکنیکهای یادگیری ماشین ابزار قدرتمندی درحوزه تشخیصنفوذ و حمله به شبکه های کامپیوتری به شمار میروند درسیستم های تحت شبکه داده ها به صورت تدریجی دریافت میشوند و امکان دسترسی به همه داده ها به طور همزمان وجود ندارد ازطرف دیگر به علت کمبود داده های برچسب دار استفاده ازداده های بدون برچسب که به تعدادزیادموجود هستند میتواند به پیش بینی بهتر برچسب ها کمک کند لذا دراین مقاله بافرض قرارگیری داده ها برروی منیفولد بابعدکمتر امکان دسته بندی هرچه بهتر داده ها باترکیب دسته بندی برخط و یادگیری نیمه نظارتی صورت میگیرد مقایسه روش پیشنهادی منیفولد برخط باروشهای پیشین برروی حجم زیادی ازداده NSL-KDD نشان میدهد که علاوه برحفظ دقت نسبت به روشهای برون خط زمان و حافظه مورد نیاز برای دسته بندی داده ورودی جدید به شبکه کمتر می شود

تشخیص نفوذ ، شبکه های کامپیوتری ، یادگیری نیمهنظارتی ، فرض منیفولد ، یادگیری برخط