CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

تشخیص نفوذ مبتنی بر ناهنجاری با استفاده از رویکرد یادگیری عمیق

اعتبار موردنیاز : ۱ | تعداد صفحات: ۲۶ | تعداد نمایش خلاصه: ۲۲ | نظرات: ۰
سال انتشار: ۱۳۹۸
کد COI مقاله: CEITCONF03_081
زبان مقاله: فارسی
حجم فایل: ۶۹۲.۶۲ کیلوبایت (فایل این مقاله در ۲۶ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۲۶ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله تشخیص نفوذ مبتنی بر ناهنجاری با استفاده از رویکرد یادگیری عمیق

  پرویز قربانزاده - مدرس دانشگاه دانشگاه صنعتی ارومیه، کیلومتر دوم جاده بند
  یعقوب پوراسد - مدرس دانشگاه دانشگاه صنعتی ارومیه، کیلومتر دوم جاده بند
  رضا قلندری - دانشجوی کارشناسی مهندسی کامپیوتردانشگاه صنعتی ارومیه، کیلومتر دوم جاده بند
بابک کرامت - کارشناسمهندسی فناوری اطلاعات
سمیرا کرامت طلاتپه - کارشناسارشد معماری کامپیوتر

چکیده مقاله:

یکی از مهمترین و قوی ترین ابزارهای تامین امنیت شبکه های کامپیوتری، سیستم های تشخیص نفوذ می باشند،که قادر به شناسایی سوء استفاده یا خرابکاری های در حال وقوع در شبکه می باشند. بسته به نوع تحلیل در سیستم های تشخیص نفوذ، دو رویکرد تشخیص سوءاستفاده و تشخیص ناهنجاری وجود دارد. مزیت روشهای تشخیص ناهنجاری نسبت به روش های تشخیص سوءاستفاده درایناست که با تغییر الگویحملات، دچار خطا درتشخیص نمی شوند. یادگیری عمیق شاخه ای پیشرفته ازیادگیری ماشینی است که از لایه های متعددی از نورون ها تشکیل شده است که بیانگر فرایند یادگیری است. در واقع، این نوع یادگیری مجموعه ای از الگوریتم هایی است، که تلاش می کنند، مفاهیم انتزاعی سطح بالا را با استفاده از یادگیری در سطوح و لایه های مختلف مدل سازی نمایند. ایده یادگیری عمیق با الهام از ساختار طبیعی مغز انسان و به کمک امکانات و فن آوری های جدید،توانسته است در بسیاری از حوزه های مربوط به هوش مصنوعی و یادگیری ماشین، موفقیت های چشم گیری را کسب کند. با انجام بررسی های گسترده، این تحقیق یک سیستم تشخیص نفوذ مبتنی بر یادگیری عمیق را از جنبه های مختلف شامل داده های ورودی، داده های تشخیصی،نحوه استقرار و استراتژی های ارزیابی، معرفی نموده و کارآیی رویکرد پیشنهادی را مورد بحث و بررسی قرار می دهد. روش های یادگیری ماشین با دو مجموعه داده IDS2018- CIC-CSE و مجموعه داده IoT-Bot و سه شاخص مهم عملکرد شامل نرخ هشدار کاذب، دقت و میزان تشخیص مورد مقایسه قرارگرفته و اثر بخشی رویکرد مورد نظر مورد تایید قرار گرفته است.

کلیدواژه‌ها:

تشخیص نفوذ، تشخیص ناهنجاری، یادگیری عمیق، میزان تشخیص

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-CEITCONF03-CEITCONF03_081.html
کد COI مقاله: CEITCONF03_081

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
قربانزاده, پرویز؛ یعقوب پوراسد؛ رضا قلندری؛ بابک کرامت و سمیرا کرامت طلاتپه، ۱۳۹۸، تشخیص نفوذ مبتنی بر ناهنجاری با استفاده از رویکرد یادگیری عمیق، سومین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی، اهواز، دانشگاه شهید چمران اهواز، https://www.civilica.com/Paper-CEITCONF03-CEITCONF03_081.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (قربانزاده, پرویز؛ یعقوب پوراسد؛ رضا قلندری؛ بابک کرامت و سمیرا کرامت طلاتپه، ۱۳۹۸)
برای بار دوم به بعد: (قربانزاده؛ پوراسد؛ قلندری؛ کرامت و کرامت طلاتپه، ۱۳۹۸)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: ۱۰۵۱
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
  • هوش مصنوعی > یادگیری عمیق
  • اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.