شماره کتابشناسی ملی
شماره
۲۳۴۷۰پ
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
per
عنوان و نام پديدآور
عنوان اصلي
یک رویکرد نیمه نظارتی جدید برای تشخیص نفوذ در داده‌های نامتعادل
عنوان اصلي به زبان ديگر
Novel Semi-supervised Approach for Intrusion Detection in Imbalanced Data A
نام نخستين پديدآور
/مهسا محسنی اعلا
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: دانشکده برق و کامپیوتر
تاریخ نشرو بخش و غیره
، ۱۳۹۹
نام توليد کننده
، کبیری
مشخصات ظاهری
نام خاص و کميت اثر
۷۷ص
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی - الکترونیکی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسی کامپیوتر
زمان اعطا مدرک
۱۳۹۹/۰۶/۲۶
کسي که مدرک را اعطا کرده
تبریز
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
سیستم‌های تشخیص نفوذ ابزارهایی برای نظارت بر ترافیک شبکه در کنار سایر ابزارهای امنیتی هستند که با هدف یافتن آسیب‌پذیری‌صها و فعالیت‌های مخرب و اعلام اخطار به مدیر شبکه و سیستم در صورت شناسایی نفوذ، گسترش یافته‌اند .سیستم‌های تشخیص نفوذ مبتنی بر ناهنجاری با ساختن الگو و یا مدل ترافیک نرمال، در صدد یافتن ترافیکی هستند که مغایر با حالت نرمال یا طبیعی باشد و آن را به عنوان حمله شناسایی کنند .امروزه الگوریتم‌صهای یادگیری ماشین به دلیل کارایی و بهره‌وری بهتر، از پرکاربردترین روش‌های ساخت سیستم‌های تشخیص نفوذ مبتنی بر ناهنجاری هستند .این الگوریتم‌ها با استفاده از داده‌های دارای برچسب یک مدل یادگیری برای تشخیص داده‌های نرمال و حمله می‌سازند .از مهم‌ترین چالش‌های استفاده از الگوریتم‌های یادگیری ماشین این است که در شرایط واقعی تعداد داده‌های دارای برچسب نسبت به داده‌های بدون برچسب بسیار کم است و هم-چنین میان انواع مختلف داده‌های برچسب‌دار نیز عدم تعادل وجود دارد .بنابراین ارائه روش‌هایی که بر این مشکلات غلبه کند از اهمیت بالایی برخوردار است .یک روش مقابله با کمبود داده‌های برچسب دار، استفاده از یادگیری نیمه‌نظارتی است که از داده‌های بدون برچسب و برچسب‌دار به صورت هم‌زمان برای یادگیری استفاده می‌کند .از مهم‌ترین مشکلات استفاده از یادگیری نیمه‌نظارتی، نحوه انتخاب مطمئن‌ترین داده‌های بدون برچسب برای اضافه شدن به داده‌های برچسب دار است .به همین منظور در این پژوهش دو روش پیشنهادی ارائه شده است که از پیش‌بینی انطباقی برای یافتن مطمئن‌ترین داده ها استفاده شده است .هم‌چنین برای غلبه بر مشکل عدم تعادل میان انواع داده‌ها، استفاده از تکنیک ماندرین پیشنهاد شده است .در این تحقیق الگوریتم‌های پیشنهادی پس از پیاده‌سازی با سایر الگوریتم‌های نیمه‌نظارتی در این زمینه مقایسه شده است .نتایج حاصل از مقایسه نشان می‌دهد الگوریتم‌های این پژوهش، با درصد بیشتری داده‌های مربوط به ترافیک حمله را تشخیص می‌دهند
متن يادداشت
Intrusion Detection Systems(IDSs) are developed for monitoring network traffic to detect vulnerabilities and malicious activities and alert them to the network and system administrations. Anomaly-based intrusion detection systems create a normal traffic pattern and then compare new traffic data against the pattern to find any inconsistency. One of the most widely used methods to develop anomaly-based IDS is machine learning algorithms, due to their good performance. Machine learning algorithms train a learning model to classify traffic data to normal and attack classes. In real-world traffic data, there is a typically small amount of labeled data in combination with a large dataset of unlabeled data. Moreover, real-world datasets suffer from class imbalanced problem, where the dataset is skewed toward one of the classes (majority class) and the other class (minority class) contains a small number of data points. One way to deal with insufficient labeled data is to use semi-supervised learning, which uses labeled data as well as unlabeled data to train a model. The most important concern and challenge in semi-supervised learning is how to select the most confident unlabeled data and their predicted labels to add to labeled data. For this purpose, in the present study, two methods based on the conformal prediction(CP) are presented to select unlabeled data. Then, a balancing method called Mondrian is combined with CP to overcome the imbalanced data problem. In this research, the results of the comparison show significant improvement percentages in the proposed methods compared to the other algorithms
عنوان اصلی به زبان دیگر
عنوان اصلي به زبان ديگر
Novel Semi-supervised Approach for Intrusion Detection in Imbalanced Data A
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
مستند نام اشخاص تاييد نشده
محسنی اعلا، مهسا
مستند نام اشخاص تاييد نشده
Mohseni ala, Seyede Mahsa
دسترسی و محل الکترونیکی
يادداشت عمومي
سیاه و سفید
وضعیت فهرست نویسی
وضعیت فهرست نویسی
نمایه‌سازی قبلی
