لینک دانلود و خرید پایین توضیحات
دسته بندی : وورد
نوع فایل : word (..doc) ( قابل ويرايش و آماده پرينت )
تعداد صفحه : 24 صفحه
قسمتی از متن word (..doc) :
2
تشخيص نفوذهاي غير عادي - anomaly
در بستر شبكه با تشخيص outlier - يك انحراف كامل از مفهوم
هايي كه از قبل بررسي نشده اند
چكيده :
تشخيص ناهنجاري (anomaly) موضوعي حياتي در سيستم هاي تشخيص نفوذ به شبكه است (NIDS) - Network Intrusion Detection Systems
. بسياري از NIDS هاي مبتني بر ناهنجاري «الگوريتمهاي پيش نظارت شده » - Unsupervised Algorithm
را بكار مي گيرند كه ميزان كارايي اين الگوريتمها بسيار وابسته به دادها هاي تمريني عاري از خطا ميباشد . اين در حالي است كه در محيط هاي واقعي و در شبكه هاي واقعي تهيه اينگونه داده ها بسيار مشكل است . علاوه بر اينها ، وقتي محيط شبكه يا سرويسها تغيير كند الگوهاي ترافيك عادي هم تغيير خواهد كرد .
اين مساله به بالا رفتن نرخ مثبت نمايي - تشخيص اشتباه كي مورد به عنوان نفوذ غير عادي ، كه موجب مي شود نرخ تشخيص ناهنجاري به صورت كاذب بالا رود
در NIDS هاي پيش نظارت شده منجر مي شود . تشخيص يك انحراف كامل (outlier) پيش نظارت نشده ميتواند بر موانعي كه در راه تشخيص ناهنجاري هاي پيش نظارت شده وجود دارد غلبه كند . به همين دليل ما الگوريتم
2
« جنگلهاي تصادفي » - Random forests algorithm
را كه يكي از الگوريتمهاي كار امد براي استخراج داده است به خدمت گرفته ايم و آن را در NIDS هاي مبتني بر ناهنجاري اعمال كرده ايم . اين الگوريتم ميتواند بدون نياز به داده هاي تمريني عاري از خطا outlier ها را در مجموعه داده هاي - dataset
ترافيك شبكه تشخيص دهد . ما براي تشخيص نفوذهاي ناهنجار به شبكه از يك چارچوب كاري استفاده كرده ايم و در اين مقاله به شرح همين چارچوب كاري ميپردازيم .
در اين چارچوب كاري ، الگوي سرويسهاي شبكه از روي داده هاي ترافيكي و با استفاده از الگوريتم جنگلهاي تصادفي ساخته شده است . توسط outler تعيين شده اي كه با اين الگوهاي ساخته شده مرتبط هستند نفوذها تشخيص داده مي شوند. ما نشان ميدهيم كه چه اصلاحاتي را روي الگوريتم تشخيص outlier جنگلهاي تصادفي انجام داديم . و همينطور نتايج تجربيات خود را كه بر اساس مجموعه داده هاي KDD 99 انجام شده است گزارش ميدهيم .
نتايج نشان ميدهد كه روش پيشنهادي با ساير روشهاي تشخيص ناهنجاري پيش نظارت نشده اي كه قبلا گزارش شده اند كاملا قابل مقايسه است . البته روشهايي كه بر اساس مجموعه داده هاي KDD 99 ارزيابي شده اند.
برچسب ها:
تحقیق درباره تشخيص نفوذهاي غير عادي در بستر شبكه با تشخيص outlier هايي كه از قبل بررسي نشده اند تشخيص نفوذهاي غير عادي در بستر شبكه با تشخيص outlier هايي كه از قبل بررسي نشده اند دانلود تحقیق درباره تشخيص نفوذهاي غير عادي در بستر شبكه با تشخيص out