یک رویکرد بازعمومی مبتنی بر یادگیری ماشین با تمرکز بر ویژگی خود حفاظتی روت سنس
Publish place: Computer engineering and need-based research The latest achievements in information technology
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 442
This Paper With 13 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
COMPUTER02_063
تاریخ نمایه سازی: 2 تیر 1395
Abstract:
اساساً نرم افزار خود تطبیق، نرم افزاری است که به صورت یک حلقه بازخوردی توسعه داده شده و قادر است خودش را در زمان اجرا برای پاسخگویی به تغییر نیازهای سیستم و محیط تغییر دهد. در این مقاله خود تطبیقی پیشنهادی ما یک رویکرد بازعمومی مبتنی بر یادگیری ماشین با تمرکز بر ویزگی خود حفاظتی است که به اختصار آن را OGMLB می نامیم. ما برای آزمودن OGMLB حوزه شبکه را انتخاب کردیم، در واقع هدف ما توسعه یک سیستم خودتطبیق تشخیص نفوذ در شبکه است، رویکرد ما عمومی است یعنی در دامنه های دیگر مانند پایگاه داده، رایانش ابری، محیط های توزیع شده و غیره هم کاربرد دارد. یکی از سیستم های تثبیت شده در این زمینه ML-IDS است که یک سیستم خود حفاظتی تشخیص حملات بوسیله وارسی و تحلیل ترافیک با استفاده از دانه بندی چند سطحی است که سیستم عامل را در برابر رفتارهای مخرب حفاظت می کند. ما برای تست OGMLB از شرایط محیطی و مجموعه داده های بکارگرفته شده در ML-IDS استفاده می کنیم و نتایج خود را با نتایج حاصل از آن مقایسه می کنیم. جزئیات این مدل در این مقاله بررسی شده است.
Keywords:
Authors
کاظم نیک فرجام
دانشجوی دکتری مهندسی سیستم های نرم افزار، دانشگاه آزاد اسلامی، واحد قزوین
رضا پورشهری
دانشجوی کارشناسی ارشد مهندسی نرم افزار، دانشگاه آزاد اسلامی واحد بیرجند- ارائه دهنده
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 :