مدلی برای تشخیص نفوذ چند کلاسه با داده های نامتوازن مجموعه داده CICIDS-۲۰۱۷
Publish place: Journal of Advanced Signal Processing، Vol: 5، Issue: 1
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 277
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JASP-5-1_010
تاریخ نمایه سازی: 28 فروردین 1401
Abstract:
امروزه بخش عمده ای از فعالیت ها و تعاملات اقتصادی، تجاری، فرهنگی، اجتماعی و حاکمیتی در تمام کشورها، از طریق فضای سایبر انجام می گیرد. باتوجه به آسیب پذیری های ذاتی موجود در این فضا، مخاطرات سامانه های مبتنی بر آن نیز در حال افزایش می باشند؛ بنابراین، امنیت شبکه ها و سیستم ها در مقابل انواع نفوذ، به یکی از مهم ترین چالش های عصر حاضر تبدیل شده است. در این پژوهش، یک مدل برای تشخیص نفوذ در شبکه، بررسی و پیشنهاد شده است. در روش پیشنهادی که یک روش چند کلاسه می باشد، از الگوریتم سنجاقک برای انتخاب ویژگی و از جنگل تصادفی به منظور دسته بندی استفاده شده است. داده های بکار رفته در پژوهش، مجموعه داده نامتوازن CICIDS-۲۰۱۷ بوده است لذا عملیات متوازن سازی در آن استفاده شده است. مسئله با الگوریتم های مختلف مورد آزمون قرار گرفته و بهترین الگوریتم انتخاب شده است. مقدار صحت در روش پیشنهادی برابر با ۸۵/۹۹ به دست آمده است. همچنین، نتایج پژوهش با چندین روش دیگر که توسط محققان قبلی پیشنهاد شده مورد مقایسه قرار گرفته است و این مقایسه نشان می دهد که روش پیشنهادی نسبت به اکثر پژوهش هایی که در مقاله معرفی شده اند، دارای معیارهای ارزیابی بالاتری بوده است.
Keywords:
Authors
محمود نیائی
دانشکده مدیریت و اقتصاد - دانشگاه آزاد علوم تحقیقات - تهران - ایران
جعفر تنها
دانشکده مهندسی برق و کامپیوتر - دانشگاه تبریز - تبریز - ایران
غلامرضا شاهمحمدی
دانشکده مهندسی برق و کامپیوتر - دانشگاه ایوان کی - سمنان - ایران
علیرضا پورابراهیمی
دانشکده مدیریت و حسابداری دانشگاه آزاد اسلامی کرج - کرج - ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :