CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

تجزیه و تحلیل داده های عظیم به منظور تشخیص بات نت ها در ترافیک انتقالی شبکه

اعتبار موردنیاز : ۱ | تعداد صفحات: ۸ | تعداد نمایش خلاصه: ۱۹۴ | نظرات: ۰
سال انتشار: ۱۳۹۵
کد COI مقاله: RKES01_196
زبان مقاله: فارسی
حجم فایل: ۷۶۰.۰۵ کیلوبایت (فایل این مقاله در ۸ 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 ۸ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله تجزیه و تحلیل داده های عظیم به منظور تشخیص بات نت ها در ترافیک انتقالی شبکه

  فاطمه عبداله ئی - دانشجوی کارشناسی ارشد مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد قزوین،
    حسن رشیدی - عضو هیات علمی دانشگاه علامه طباطبایی

چکیده مقاله:

تجزیه و تحلیل و نظارت بر ترافیک انتقالی شبکه تلاش دارد که با حجم انبوهی از داده ها در زمان واقعی سر و کار داشته باشد. حملههای صفرروزه 2 یکی از خطرناکترین تهدیدهای هستند که کامپیوترهای شبکه را تهدید میکنند و همچنین درمعنای لغوی به حملههایی گفته میشود که تا به حال توسط سیستم شناختهنشدهاند . ابزارهای دفاعی مبتنی بر امضا 3 طوری ساختهشدهاند که حملههایی که شناختهشدهاند، یعنی در پایگاه داده ثبتشدهاند، به هیچ عنوان نمیتوانند علیه سیستم هیچگونه تهدیدی انجام بدهند. اخیرا ابزارهای دفاعی مبتنی بر الگوریتمهای یادگیری ماشین ساخته میشوند و به دلیلاینکه این روشها حملههای Zero-Days را تا حد قابل قبولی خنثی کردهاند، از محبوبیت خوبی برخوردار شدهاند. در اینپژوهش سیستم تشخیص حمله ترافیک انتقالی مبتنی بر ناهنجاری ارائه خواهیم داد. این سیستم ترافیک شبکهای که به سمت سرور هدایت میشود را تجزیه و تحلیل میکند. در این پژوهش کارهای مختلفی را انجام خواهیم داد. اولا الگوریتمی ارائهشده که اجازه میدهد تا مدل دقیقی به وجود آید ، سپس طبقه بندی کننده چندگانه باعث میشود تا دقت طبقهبندی را نسبت به مدل قبلی افزایش بدهد. نتایج و آزمایشات نشان میدهد سیستم مذکور نسبت به سیستم های گذشته از دقت تشخیصبالایی برخوردار بوده است و نرخ مثبت کاذب پایینی را ارائه میکند.

کلیدواژه‌ها:

تشخیص بات نت، داده عظیم، حملات صفرروزه، نرخ مثبت کاذب

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-RKES01-RKES01_196.html
کد COI مقاله: RKES01_196

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:
عبداله ئی, فاطمه و حسن رشیدی، ۱۳۹۵، تجزیه و تحلیل داده های عظیم به منظور تشخیص بات نت ها در ترافیک انتقالی شبکه، کنفرانس بین المللی پژوهش‌های نوین در علوم مهندسی، تهران، موسسه مدیریت دانش شباک، دانشگاه تهران، https://www.civilica.com/Paper-RKES01-RKES01_196.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: (عبداله ئی, فاطمه و حسن رشیدی، ۱۳۹۵)
برای بار دوم به بعد: (عبداله ئی و رشیدی، ۱۳۹۵)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :

  • - Kri gel C, Toth T, Kirda E. Service specific ...
  • - MartinGarcia _ Programming with libpcap _ sniffing the network ...
  • - Wang K, Stolfo SJ. Anomalous payload-based network intrusion detection. ...
  • - Damashek M Gauging similarity with n-grams: languageindep endent categorization ...
  • - Wang K, Cretu GF, Stolfo SJ. Anomalous payload-based wormdetection ...
  • - Wang K, Parekh JJ, Stolfo SJ. Anagram: a content ...
  • - Perdisci R, Ariu D, Fogla P, Giacinto G, Lee ...
  • Alexander, Roger, et al. _ Security Framework for Routing OVer ...
  • Tseng, Fan-Hsun, Li-Der Chou, and Han-Chien Chao. "A survey of ...
  • De Oliveira, Ruy, and Torsten Brau. "A delay-based approach using ...
  • Yao, Jing T., Song L. Zhao, and Larry V. Saxton. ...
  • [_ 2]Wahengbam, Monita, and Ningrinla Marchang. "Intrusion Detection in MANET ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه آزاد
    تعداد مقالات: ۸۷۴۴
    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

    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.