عنوان

طراحی یک روش جدید بر پایه‌ی یادگیری ماشین در امنیت سایبری

پ۲۴۴۲۷

per

طراحی یک روش جدید بر پایه‌ی یادگیری ماشین در امنیت سایبری

زهرا یاوری

علوم ریاضی

۱۳۹۹

۷۹ص.

سی دی

کارشناسی ارشد

علوم کامپیوتر گرایش سیستمهای کامپیوتری

۱۳۹۹/۰۷/۲۳

سیستم تشخیص نفوذ IDS در امنیت سایبری یکی از تکنیک‌های گسترده است که در توپولوژی شبکه به کار می‌رود تا از یکپارچگی و در دسترس بودن دارایی‌های حساس در سیستم‌ها محافظت کند. اگرچه بسیاری از رویکردهای یادگیری نظارت شده ‌و نظارت نشده ‌در حوزه یادگیری ماشین برای افزایش اثربخشی IDS استفاده شده‌است اما هنوز هم برای دستیابی به عملکرد خوب، الگوریتم‌های تشخیص نفوذ موجود است. در این پایان‌نامه، روش ترکیبی الگوریتم یادگیری ماشین و الگوریتم تکاملی برای تشخیص نفوذ پیشنهاد شده‌است؛ این روش مبتنی بر انتخاب ویژگی‌ها و تکنیک‌های یادگیری است. ابتدا، یک الگوریتم فراابتکاری با نام الگوریتم گرگ خاکستری باینری برای کاهش ابعاد پیشنهاد گردیده که زیر مجموعه بهینه را براساس همبستگی بین ویژگی‌ها انتخاب می‌کند. سپس این ویژگی‌ها به شبکه عصبی مصنوعی تزریق می‌شود و در هر تکرار به سمت کمترین خطا در یادگیری پیش می‌رویم. سرانجام از مدل استخراج شده‌برای تشخیص حمله استفاده می‌شود. نتایج پیاده سازی با استفاده از مجموعه داده NSL-KDD که روش پیشنهادی قادر به نمایش عملکرد بهتر از سایر رویکردهای مرتبط و پیشرفته در چندین معیار است. دسته‌بندی با صحت و دقت بالای 96 درصد انجام شده‌است.

Intrusion Detection System (IDS) in cyber security is one of the most widely used techniques in network topology to protect the integrity and availability of sensitive assets in systems. Although many supervised and unsupervised learning approaches have been used in the field of machine learning to IDS effectiveness, intrusion detection algorithms are still available to achieve good performance. In this research, a combined method of machine learning algorithm and evolutionary algorithm for intrusion detection is proposed and this method is based on the selection of features and learning techniques. First, a meta-heuristic algorithm called binary gray wolf algorithm (bGWO) is proposed to reduce the dimensions, which selects the optimal subset based on the correlation between the features. These features are then injected into the artificial neural network (ANN), and in each repetition we move towards the least error in learning. Finally, the extracted model is used to detect the attack. Implementation results using the NSL-KDD dataset, the proposed method is able to show better performance than other related and advanced approaches in several criteria. The classification has been done with 96% accuracy and precision

Design a New Method based on Machine learning in Cyber security

‏‏ یاوری،

زهرا

تهيه کننده

کریم‌پور،

‏ جابر

استاد راهنما

‏ تبریز