تحلیل شناختی مبتنی بر یادگیری ماشینی لاگ های وب

لاگ ها حاوی اطلاعات ارزشمندی در مورد اقدامات کاربر بر روی وب هستند که کاربردهای فراوانی در حوزه های امنیتی، صنایع و علوم گوناگون دارند. لاگ ها یک منبع بسیار عالی برا تعیین سلامت وضعیت سیستم هستند. هر روزه حجم عظیمی از لاگ ها که فعالیت های کاربران را ثبت می کنند تولید می شوند که تحلیل آنها با روش های سنتی، کاری بسیار دشوار است بنابراین نیاز به استفاده از روش های تحلیل هوشمند و شناختی است. در حال حاضر روش های یادگیری ماشین به عنوان ابزاری کارآمد در پردازش و تحلیل اگ های وب به کار گرفته می شوند. ما در این مقاله با بهره گیری از ساختاری که از شبکه عصبی 5 لایه با 2461 پارامتر و توابع فعالسازی سیگموید، تانژانت هیپربولیک و رلو استفاده می کند، توانستیم علاوه بر هوشمند کردن شناسایی تهدیدات سایبری به نتایج مطلوبی در دقت و کمینه کردن تابع خطا بر روی لاگ های جمع آوری شده از پلتفرم EC2 آمازوم با معیار ارزیابی F1 برابر یک، در مقایسه با سایر روش های مرسوم یادگیری ماشین از قبیل خوشه بندی، درخت تصمیم، ماشین های بردار پشتیبان، تحلیل مولفه اصلی، جنگل ایزوله و رگرسیون لجستیک دست یابیم.

Keywords:

تحلیل لاگ , امنیت , یادیگیر ماشین , شبکه عصبی چند لایه