عنوان

شناسایی بات‌نت در شبکه سازمانی با استفاده از تکنیک‌های چندعاملی و یادگیری شورایی

شماره

پ۲۵۹۵۲

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

شناسایی بات‌نت در شبکه سازمانی با استفاده از تکنیک‌های چندعاملی و یادگیری شورایی

نام نخستين پديدآور

محمد اشرف نژاد

نام ناشر، پخش کننده و غيره

مهندسی برق و کامپیوتر

تاریخ نشرو بخش و غیره

۱۳۹۹

نام خاص و کميت اثر

۹۸ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی کامپیوتر گرایش رایانش امن

زمان اعطا مدرک

۱۳۹۹/۱۱/۲۹

متن يادداشت

در دهه های اخیر، استفاده از سیستم های امنیتی به طور چشم گیری افزایش یافته و همینطور مسائل امنیتی نیز رشد قابل توجهی داشته است. در حال حاضریکی از مهم ترین مسائل ،بدافزارهایی هستند که برای شناسایی و حذف آنها تحقیقات گسترده‌ای صورت گرفته است. اما با توجه به گستردگی آنها ،محققین سعی دارند هر کدام یک بد افزار خاص را بررسی کنند. از میان بد افزارها، یکی از مهم ترین و قوی ترین بدافزارهایی که سیستم شخصی و شبکه ها را تهدید می کنند ،بات نت ها هستند. در این پایان نامه، ما صرفا به شناسایی بات نت ها می پردازیم.بات‌نت یک شبکه‌ای از بدافزارها است که از سه مؤلفه اصلی به ¬نام¬های «بات مدیر»، «کانال ارتباطی»، «تعدادی بات» تشکیل می‌شود و کاربردهای مختلفی ازجمله سرقت اطلاعات، حملات DDoS، جعل کلیک و استخراج بیت‌کوین دارند. از آنجائی که ترافیک مبادله شده بین بات‌نت‌ها مشابه ترافیک معمولی است، لذا سیستم‌های تشخیص نفوذ در شناسایی این بدافزار با مشکلات عدیده‌ای روبه‌رو می‌شوند.پیش‌ازاین کارهای زیادی برای شناسایی بات‌نت در سطح شبکه انجام شده است که می‌توان به داده¬کاوی، تحلیل محتوای بسته¬های ترافیکی، استفاده از‌ هانی پات‌ها اشاره کرد. هر یک از این ‌روش¬ها به‌تنهایی دارای محدودیت‌هایی مانند در دسترس نبودن داده¬های یادگیری، عدم شناسایی بات‌نت‌های جدید یا عدم توانایی در رمزگشایی بسته¬‌های ترافیکی هستند که باعث شده است خروجی این الگوریتم¬ها غیرقابل‌اعتماد گردد، لذا در این رساله به‌منظور دستیابی به ضریب اطمینان قابل‌قبول از الگوریتم یادگیری شورایی (Ensemble Learning) و همچنین برای شناسایی بات‌نت‌های جدید از الگوریتم شبکه‌های مولد تخاصمی (Generative Adversarial Networks-GANs) استفاده شده است که مهم‌ترین وجه تمایز این مطالعه با سایر کارهای انجام‌شده در این حوزه می‌باشد.در این رساله، از الگوریتم‌های مختلف یادگیری ماشین ازجمله Randomforest، K-NN، Adaboot استفاده کردیم که پس از اعمال GAN، دقت این الگوریتم‌ها در شناسایی بات‌نت‌های جدید به طرز قابل چشمگیری افزایش یافت که الگوریتم‌ شورایی جنگل تصادفی با افزایش دقت 76 به 94 بهترین عملکرد را در بین سایر الگوریتم‌ها از خود نشان داد.

متن يادداشت

Using computer systems in the last decades have been increased dramatically. Also, security issues had a significant growth. Currently, one of the important issues is malwares, which there have been broad researches to detect and remove them; but with due to their range, each of the researchers have focused on a special malware. Among the all types of malwares, Botnets are one of the strongest and the most significant cases threatening private systems and networks.In this thesis, we will merely focus on detecting Botnets.Botnet is a network of malwares constitutes of three basic components named "Botmaster", "Command and Control channel", "Several Bots"; that have different usages like data theft, DDos attacks, Click Fraud, and Bitcoin mining. Since the exchanged traffic among the Botnets is similar to normal traffic, so Intrusion Detection system face many problems in detecting this malware.Several works have just done to detect Botnets in network that can be mentioned as Data mining, Analysis content of traffic pockets, using Honeypockets. Each of these methods alone, have limitations as unavailability of learning data set, inability of detecting new Botnets or disability in decrypting traffic packets, have caused unreliability in the output of these algorithms. Therefore, in this thesis Ensemble Learning algorithm is applied in order to aqquair an acceptable reliability; yet to identify the new Botnets Generative Adversial Networks-GAN algorithms have been used that is the most distinctive point of this work with the related works in this field.In thus thesis, we used variant machine learning algorithms like as Adaboot, KNN, Random Forest, which after applying GAN, accuracy have increased dramatically in these algorithms facing with detection of the new Botnets, as Ensemble Random Forest algorithm rised its accuracy from 76 to 94, showed its ultimate function among the related algorithms

عنوان گونه گون

Botnet Detection in Organizational Network Using Ensemble Learning and Multi Agent Techniques

عنصر شناسه اي

اشرف نژاد‏

ساير عناصر نام

‏ محمد

کد نقش

تهيه کننده

عنصر شناسه اي

درخشان

عنصر شناسه اي

‏صالح پور

ساير عناصر نام

‏ فرناز

ساير عناصر نام

‏ پدرام

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

‏ تبریز