ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

ارائه یک روش بهینه تشخیص نفوذ توزیع شده DDOS با استفاده ژنتیک الگوریتم و شبکه عصبی ANN در ساختارهای ابری

تعداد صفحات: 9 | تعداد نمایش خلاصه: 693 | نظرات: 0
سال انتشار: 1395
کد COI مقاله: DSCONF02_060
زبان مقاله: فارسی
(فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.

با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید.در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.

لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.

برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 9 صفحه است در اختیار داشته باشید.

قیمت این مقاله : 3,000 تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله ارائه یک روش بهینه تشخیص نفوذ توزیع شده DDOS با استفاده ژنتیک الگوریتم و شبکه عصبی ANN در ساختارهای ابری

محسن آقائی فروشانی - دانشجوی کارشناسی ارشد مهندسی نرم افزار، دانشگاه آزاد اسلامی اهواز
محمدرضا نوری مهر - استادیار، دانشگاه آزاد اسلامی اهواز

چکیده مقاله:

در طی چند سال اخیر روش های ابتکاری مختلفی برای امنیت شبکه ها از طریق سیستم های تشخیص نفوذ ارائه شده است که هرکدام از آنها به شیوه ای امنیت شبکه را فراهم می سازد. از آنجاییکه برنامه های تحت وب رو افزایش است و داده های کاربران در دسترس می باشد، نیاز به یک سیستم تشخیص نفوذ به منظور تفکیک داده های خوب و بد بیش از پیش ضروری به نظر می رسد. به طور کلی سیستم های تشخیص نفوذ به دو دسته سیستم های مبتنی بر امضا و سیستم های مبتنی بر ناهنجاری تقسیم می شوند. حمله های صفر روزه به حملاتی گفته می شوند که تاکنون توسط سیستم شناخته نشده اند و سیستم های مبتنی بر امضاء توانایی تشخیص این نوع حملات را ندارند. در این مقاله یک سیستم تشخیص نفوذ مبتنی بر الگوریتم زنتیک و شبکه عصبی برای رایانش ابری ارائه شده است. با استفاده از شبکه عصبی مصنوعی مدلی ارائه خواهیم نمود که توانایی تشخیص نفوذ در شبکه را دارا است. این مدل با استفاده از الگوریتم ژنتیک آموزش داده می شود. نتیجه اجرای سیستم پیشنهادی نشان دهنده دقت بالا و خطای پایین است، چرا که سیستم پیشنهادی توانسته است به نرخ تشخیص 95% و نرخ مثبت کاذب 30.46% دست یابد که نسبت به روش های گذشته بهبود داشته است. برای کارهای آینده می توان از ماشین یادگیری های دیگری از قبیل مدل مخفی مارکوف، شبکه بیزین استفاده نمود.

کلیدواژه ها:

رايانش ابري، سيستم تشخيص نفوذ، مثبت كاذب، نرخ تشخيص

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/507352/

کد COI مقاله: DSCONF02_060

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:
آقائی فروشانی، محسن و نوری مهر، محمدرضا،1395،ارائه یک روش بهینه تشخیص نفوذ توزیع شده DDOS با استفاده ژنتیک الگوریتم و شبکه عصبی ANN در ساختارهای ابری،دومین کنفرانس بین المللی یافته های نوین علوم و تکنولوژی،قم،،،https://civilica.com/doc/507352

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: (1395، آقائی فروشانی، محسن؛ محمدرضا نوری مهر)
برای بار دوم به بعد: (1395، آقائی فروشانی؛ نوری مهر)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 ممقالهقاله لینک شده اند :

  • D. Denning, _ intrusion detection _ IEEE Trans. Softw. Eng., ...
  • J. B. D. Caberera, B. Ravichandran, and R. K. Mehra, ...
  • W. Lee, S. J. Stolfo, and K. Mork, "A data ...
  • M. E. Otey, A. Ghoting, and S. Parthasarathy, _ distributed ...
  • H. G. Kayacik, A. N. Zinc ir-heywood, and M. T. ...
  • P. Z. Hu and M. I. Heywood, "Predicting intrusions with ...
  • Z. Zhang and H. Shen, "Online training of SVMs for ...
  • H. Lee, Y. Chung, and D. Park, "An adaptive intrusion ...
  • S. T. Sarasamma, Q. A. Zhu, and J. Huff, "Hierarchical ...
  • E. Eskin, _ Arnold, M. Prerau, L. Portnoy, and S. ...
  • C. Jirapummin, N. Wattanap ongsakorn, and P. Kanthamanon, "Hybridneural networks ...
  • J. Li and C. Manikopoulos, "Novel statistical network model the ...
  • "Information sharing for distributed intrusion detection systems, " J. Netw. ...
  • M. Qin and K. Hwang, "Frequent episode rules for internet ...
  • _ Bivens, C. Palagiri, R. Smith, B. Szymanski, and M. ...
  • J. J. M. Bonifacio, A. M. Cansian, A. C. P. ...
  • C. Zhang, J. Jiang, and M. Kamel, "Intrusion detection using ...
  • J. Mill and A. Inoue, "Support vector classifiers and network ...
  • novel intrusion detection method based on clonal selection clustering A؛" ...
  • S. Jiang, X. Song, H. Wang, J. Han, and Q. ...
  • A. J. Hoglund, K. Hatonen, and A. S. Sorvari, _ ...
  • D. Song, M. I. Heywood, and A. N. Zinc ir-Heywood, ...
  • J. Zhang, M. Zulkernine, and A. Haque, _ FRando m- ...
  • S. Mabu, C. Chen, N. Lu, K. Shimada, and K. ...
  • S. Panigrahi and S. Sural, "Detection of database intrusion using ...
  • K.-C. Khor, C.-Y. Ting, S. Phon-Ammua suk, _ cascaded classifier ...
  • Kayacik, H. G., Zinc ir-Heywood, A. N., & Heywood, M. ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله
    این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

    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: دانشگاه آزاد
    تعداد مقالات: 10,347
    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 پیشنهادی مرتبط

    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