نوع مدرک: | متون چاپی |
سرشناسه | رضایی ، شادی، نویسنده |
ردهبندی کنگره : | COM A 37 |
عنوان : | تشخیص نفوذ با استفاده از روش طبقهبندی گروهی مبتنی بر ماشین بردار پشتیبان و شبکه عصبی با تکیهبر گام انتخاب ویژگی مؤثر |
عنوان موازی : | Intrusion detection using ensemble classification method based on support vector machine and neural network using the effective feature selection step |
ناشر: | دانشگاه شهید اشرفی اصفهانی: اصفهان |
سال نشر : | 1401 |
صفحه شمار: | 74ص |
شابک/شاپا | 24725 |
یادداشت | کارشناسی ارشد: مهندسی کامپیوتر گرایش هوش مصنوعی |
شناسه افزوده : | نعمتبخش ، ناصر، استاد راهنما یراقی ، شکوفه، استاد مشاور |
توصیفگرها | تشخیص نفوذ، بهینهساز رودک عسلخوار، طبقه بند گروهی ماشین بردار و شبکهعصبی Intrusion Hetection, Honey Badger optimizer, Support Vector Machine Classification and Neural Network |
چکیده : | بحث تشخیص نفوذ یکی از روشهای رایج و پراستفاده در شبکه در جهت محافظت از یکپارچگی، ایمنی و در دسترسیپذیری سرمایههای حساس در سیستمهای محافظتشده و ایمن است. اگرچه تاکنون روشهای یادگیری ماشینی با ناظر و بدون ناظر بسیاری برای افزایش کارآمدی سیستمهای تشخیص نفوذ ارائهشده است اما تاکنون همچنان حصول راندمان مناسب در بحث تشخیص نفوذ بهنوبه خود نوعی چالش تلقی میگردد. اولازهمه میتوان گفت، بسیاری از دادههای زائد و نامربوط در مجموعه دادههای با ابعاد بالا، در فرآیند طبقهبندی تشخیص نفوذ، اختلال ایجاد میکنند. دوما، بهکارگیری یک طبقهبندی منفرد موجب تشخیص دقیق و کارآمدی نمیگردد. سوما، ماهیت ساخت اکثر مدلها برمبنای مجموعه دادههای قدیمی است که آنها را برای سازگاری با حملات جدید مشکلساز میکند. بنابراین، در این پایاننامه از روش ترکیبی متکی بر رویکرد ماشین بردار پشتیبان و شبکهعصبی با تکیهبر گام انتخاب ویژگی بهینهسازی رودک عسلخوار پیشنهاد میشود. پروسه انتخاب ویژگی از الگوریتم بهینهساز رودک عسلخوار مبتنی بر فرمول اطلاعات متقابل برای انتخاب ویژگیهای مؤثر و مفید استفاده میکند. یافتههای آزمایشها با بهکارگیری بر روی مجموعه دادههای KDD-TEST+ و KDD-CUP99 نشان از راندمان بهتر طبقه بند گروهی پیشنهادی نسبت به سایر رویکردهای مرتبط دارد |
لینک ثابت رکورد: | ../opac/index.php?lvl=record_display&id=13791 |
زبان مدرک : | فارسی |