انتخاب ویژگی و تشخیص نفوذ در شبکه‌های حسگر بی سیم با استفاده از یادگیری ماشین مفرط بدون نظارت (UELM)
امروزه سیستمهای کامپیوتری مبتنی بر شبکه، نقش حیاتی در جامعه مدرن امروزی دارند و به همین علت ممکن است هدف دشمن و یا نفوذ قرار گیرند. بهمنظور ایجاد امنیت کامل در یک سیستم کامپیوتری متصل به شبکه، استفاده از دیوار آتش و سایر مکانیزم‌های جلوگیری از نفوذ همیشه کافی نیست و باید از سیستمهای دیگری به نام...
Saved in:
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Imam Hussein University
2024-12-01
|
| Series: | پدافند غیرعامل |
| Subjects: | |
| Online Access: | https://pd.ihu.ac.ir/article_209335_8076de1626fd5e51baa8e0269a4dcc09.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | امروزه سیستمهای کامپیوتری مبتنی بر شبکه، نقش حیاتی در جامعه مدرن امروزی دارند و به همین علت ممکن است هدف دشمن و یا نفوذ قرار گیرند. بهمنظور ایجاد امنیت کامل در یک سیستم کامپیوتری متصل به شبکه، استفاده از دیوار آتش و سایر مکانیزم‌های جلوگیری از نفوذ همیشه کافی نیست و باید از سیستمهای دیگری به نام سیستمهای تشخیص نفوذ استفاده شود. بهدلیل وجود مشخصه‌های زیاد در داده‌های مربوط به سیستمهای تشخیص نفوذ، جهت استفاده از مشخصه‌های مطلوب و موثر از الگوریتم یادگیری ماشین مفرط بدون نظارت استفاده می‌شود. جهت طبقه‌بندی داده‌ها از مدل UELM و ارزیابی عملکرد روش پیشنهادی، از پایگاه داده با رکوردهای واقعی تر NSL-KDD نسبت به سایر مجموعه دادگان تشخیص نفوذ، استفاده می‌گردد. نتایج آزمایش‌ها نشان‌دهنده صحت 38/98 UELM در مقایسه با صحت 74/93 GWO است. دلیل این برتری، استفاده ازمدل مناسب در مسئله دسته‌بندی، تشخیص نفوذ، ساختار مستحکم و تعمیم‌پذیر شبکه عصبی بدون نظارت می باشد. |
|---|---|
| ISSN: | 2008-6849 2980-8030 |