بهبود تشخیص نفوذ در اینترنت اشیاء به کمک روش های یادگیری مبتنی بر محاسبات خوشه ای

سال انتشار: 1398
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 958

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ITCT06_095

تاریخ نمایه سازی: 24 شهریور 1398

چکیده مقاله:

طراحی سیستمهای تشخیص نفوذ برای شبکه های نسل آینده و از جمله اینترنت اشیاء دشوار و سخت است زیرا اندازه ترافیک این شبکه ها بزرگ بوده و نیاز است در سیستم های توزیع شده یا خوشه ای این ترافیک مورد تجزیه و تحلیل قرار گرفته شود تا الگوی نفوذ به شبکه تشخیص داده شود. چالش اصلی سیستم های تشخیص نفوذ به شبکه اینترنت اشیاءحجم بالای ترافیک این شبکه است که تحلیل داده ها را با روشهای یادگیری ماشین با چالش مواجه نموده و توسط این تکنیک ها زمان پردازش زیاد میشود و کارایی سیستم تشخیص نفوذ کاهش مییابد. برای رفع چالشهای سیستمهای تشخیص نفوذ و بخصوص چالش زمان اجراء در این پژوهش یک سیستم تشخیص نفوذ نوین از فناوری پردازش توزیع شده آپاچی اسپارک استفاده شده است و روشهای کشف دانش برای تشخیص نفوذ به شبکه در بستر این معماری با استفاده از فناوری نگاشت و کاهش ارایه شده است. نتایج تجزیه و تحلیل آزمایشات در محیط آپاچی اسپارک نشان میدهد اجرای تکنیکهای یادگیری ماشین درخت تصمیم گیری، جنگل تصادفی و رگرسیون در بستر آپاچی اسپارک به زمان کمتری برای پردازش نیاز دارند و اجرای تکنیک درخت تصمیم گیری وجنگل تصادفی در اسپارک تا حدود %68 زمان اجرای آنها را کاهش داده است. همچنین نتایج نشان میدهد روش جنگل تصادفی نسبت به سایر روشها در زمان کمتری در محیط آپاچی اسپارک میتواند نفوذ به شبکه را تشخیص دهد و دارای خطای کمتری در تشخیص نفوذ است . نتایج آزمایشات نشان میدهد روش پیشنهادی با تکنیک جنگل تصادفی در اسپارک نسبت به تکنیک جنگل تصادفی ساده در حدود %5,95 بهبود در تشخیص نفوذ را نشان میدهد.

کلیدواژه ها:

نویسندگان

رضا ابوالحسنی

کارشناسی ارشد دانشگاه آزاد اسلامی واحد(خوراسگان)

محمدرضا سلطان آقائی

استادیار گروه کامپیوتر دانشگاه آزاد اسلامی واحد (خوراسگان)