شناسایی برخط نفوذ در شبکه های کامپیوتری به شیوه یادگیری نیمه نظارتی
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 626
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICTCK02_128
تاریخ نمایه سازی: 8 آبان 1395
چکیده مقاله:
امروزه با رشد روزافزون استفاده از سرویسهای اینترنتی و گسترش حمله های سایبری، مبحث امنیت شبکه به یکیاز نگرانی های اصلی در حوزه فناوری اطلاعات تبدیل شده است. استفاده از تکنیک های یادگیری ماشین روشی مناسببرای شناسایی نفوذ به شبکههای کامپیوتری به شمار میرود. بیشتر کارهای پیشین در تشخیص نفوذ براساس یادگیریبانظارت و به صورت برونخط عمل میکنند این درحالی است که مجموعه های داده در سیستم های تحت شبکه بهسرعت درحال تغییر و افزایش هستند و امکان دسترسی به همه ی آنها به طور همزمان برای پردازش وجود ندارد. ازطرف دیگر به علت کمبود داده های برچسب دار پیش بینی برچسب داده های جدید به صورت ضعیف انجام می شود. لذادر این مقاله با به کارگیری داده های بدون برچسب مدل جدیدی را ارائه خواهیم کرد که به صورت نیمه نظارتی دسته-بندی کننده را به روزرسانی کند. برای این منظور الگوریتم تنظیم منیفلد برخط را با پیداکردن همسایه های مشابه بهبودبخشیدیم. مقایسه روش پیشنهادی با روشهای پیشین بر روی حجم زیادی از داده NSL-KDD نشان می دهد که علاوه بر حفظ دقت بالاتر از 95 درصد نسبت به روشهای برونخط، زمان مصرفی پردازنده 25 درصد و حافظه اصلی به 94.5 مگابایت کاهش می یابد.
کلیدواژه ها:
نویسندگان
آرزو موسوی
دانشجوی کارشناسی ارشد، دانشگاه صنعتی امیرکبیر، دانشکده مهندسی کامپیوتر
سعید شیری قیداری
استادیار، دانشگاه صنعتی امیرکبیر، دانشکده مهندسی 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 :