معیارهای ارزیابی، الگوریتم ژنتیک
جدول۴ ۱: معیارهای ارزیابی ونتایج الگوریتم Kernel naive Baysian ۸۴
جدول۴ ۴: ماتریس Confusion الگوریتم Naive Baysian ۸۴
جدول۴ ۳: معیارهای ارزیابی ونتایج الگوریتم Naive Baysian ۸۴
جدول۴ ۶: ماتریس Confusion الگوریتم Waode ۸۵
جدول۴ ۵: معیارهای ارزیابی ونتایج الگوریتم Waode ۸۵
جدول۴ ۸: ماتریس Confusion الگوریتم Aode ۸۵
جدول۴ ۷: معیارهای ارزیابی و نتایج الگوریتم Aode ۸۶
جدول۴ ۱۰: ماتریسConfusion الگوریتم Aodesr ۸۶
جدول۴ ۹: معیارهای ارزیابی ونتایج الگوریتم Aodesr ۸۶
جدول۴ ۱۲: ماتریسConfusion الگوریتم Bayesenet ۸۷
جدول۴ ۱۱: معیارهای ارزیابی ونتایج الگوریتم Bayesenet ۸۷
جدول۴ ۱۳: معیارهای ارزیابی ونتایج الگوریتم HNB ۸۸
جدول۴ ۱۴: ماتریسConfusion الگوریتم HNB ۸۸
جدول۴ ۱۶: ماتریس Confusion الگوریتم Dmnbtext ۸۸
جدول۴ ۱۵: معیارهای ارزیابی ونتایج الگوریتم Dmnbtext ۸۹
جدول۴ ۱۸: ماتریسConfusion الگوریتم BaysianLogic Regression ۸۹
جدول۴ ۱۷: معیارهای ارزیابی ونتایج الگوریتم BaysianLogic Regression ۸۹
جدول۴ ۲۰: ماتریسConfusion الگوریتم IB1 ۹۳
جدول۴ ۱۹: معیارهای ارزیابی و نتایج الگوریتم IB1 ۹۳
جدول۴ ۲۱: معیارهای ارزیابی ونتایج الگوریتم IBK ۹۳
جدول۴ ۲۲: ماتریس Confusion الگوریتم IBK ۹۴
جدول۴ ۲۴: ماتریس Confusion الگوریتم LWL ۹۴
جدول۴ ۲۳: معیارهای ارزیابی ونتایج الگوریتم LWL ۹۴
جدول۴ ۲۶: ماتریسConfusion الگوریتم KSTAR ۹۵
جدول۴ ۲۵: معیارهای ارزیابی ونتایج الگوریتم KSTAR ۹۵
جدول۴ ۲۷: معیارهای ارزیابی ونتایج الگوریتم KNN ۹۵
جدول۴ ۲۸: ماتریس Confusion الگوریتم KNN ۹۶
جدول۴ ۲۹: معیارهای ارزیابی ونتایج شبکه MLP ۱۰۱
جدول۴ ۳۰: ماتریس ConfusionشبکهMLP ۱۰۱
جدول۴ ۳۲: ماتریس Confusionشبکه Perceptrons ۱۰۲
جدول۴ ۳۱: معیارهای ارزیابی ونتایج شبکه Perceptrons ۱۰۳
جدول۴ ۳۴: ماتریسConfusion الگوریتم RBF ۱۰۴
جدول۴ ۳۳: معیارهای ارزیابی ونتایج الگوریتم RBF ۱۰۴
جدول۴ ۳۶:ماتریسConfusion الگوریتم Neural net ۱۰۵
جدول۴ ۳۵:معیارهای ارزیابی ونتایج الگوریتم Neural net ۱۰۵
جدول۴ ۳۸: ماتریس Confusion الگوریتم Conjuctive rule ۱۰۸
جدول۴ ۳۷: معیارهای ارزیابی ونتایج الگوریتم Conjuctive rule ۱۰۸
جدول۴ ۳۹: معیارهای ارزیابی ونتایج الگوریتم decision table ۱۰۹
جدول۴ ۴۰: ماتریسConfusion الگوریتم decision table ۱۰۹
جدول۴ ۴۱ :معیارهای ارزیابی ونتایج الگوریتم DTNB ۱۱۰
جدول۴ ۴۲: ماتریسConfusion الگوریتم DTNB ۱۱۰
جدول۴ ۴۴: ماتریس Confusion الگوریتم JRIP ۱۱۰
جدول۴ ۴۳: معیارهای ارزیابی ونتایج الگوریتم JRIP ۱۱۱
جدول۴ ۴۵: معیارهای ارزیابی ونتایج الگوریتم ONER ۱۱۱
جدول۴ ۴۶: ماتریس Confusion الگوریتم ONER ۱۱۱
جدول۴ ۴۷: معیارهای ارزیابی ونتایج الگوریتم PRSIM ۱۱۲
جدول۴ ۴۸: ماتریس Confusion الگوریتم PRSIM ۱۱۲
جدول۴ ۴۹: معیارهای ارزیابی ونتایج الگوریتم RIDOR ۱۱۲
جدول۴ ۵۰: ماتریسConfusion الگوریتم RIDOR ۱۱۳
جدول۴ ۵۱: معیارهای ارزیابی ونتایج الگوریتم RULE Induction ۱۱۳
جدول۴ ۵۲: ماتریسConfusion الگوریتم RULE Induction ۱۱۳
جدول۴ ۵۳: معیارهای ارزیابی ونتایج الگوریتم RULE Induction single attribute ۱۱۴
جدول۴ ۵۴: ماتریسConfusion الگوریتم RULE Induction single attribute ۱۱۴
جدول۴ ۵۵: معیارهای ارزیابی ونتایج الگوریتم TREE by rule ۱۱۴
جدول۴ ۵۶:ماتریس Confusion الگوریتم TREE by rule ۱۱۵
جدول۴ ۵۷: معیارهای ارزیابی ونتایج الگوریتم part ۱۱۵
جدول۷ ۵۸: ماتریسConfusion الگوریتم part ۱۱۵
جدول۴ ۵۹: معیارهای ارزیابی ونتایج الگوریتم CHAID ۱۱۹
جدول۴ ۶۰: ماتریسConfusion الگوریتم CHAID ۱۱۹
جدول۴ ۶۱: معیارهای ارزیابی ونتایج الگوریتم DECISION TREE ۱۱۹
جدول۴ ۶۲: ماتریس Confusion الگوریتم DECISION TREE ۱۲۰
جدول۴ ۶۳: معیارهای ارزیابی ونتایج الگوریتم J48 ۱۲۰
جدول۴ ۶۴: ماتریسConfusion الگوریتم J48 ۱۲۰
جدول۴ ۶۵: معیارهای ارزیابی ونتایج الگوریتم FT ۱۲۱
جدول۴ ۶۶: ماتریس Confusion الگوریتم FT ۱۲۱
جدول۴ ۶۸: ماتریس Confusion الگوریتم ID3 ۱۲۱
جدول۴ ۶۷: معیارهای ارزیابی ونتایج الگوریتم ID3 ۱۲۲
جدول۴ ۶۹: معیارهای ارزیابی ونتایج الگوریتم LAD ۱۲۲
جدول۴ ۷۰: ماتریس Confusion الگوریتم LAD ۱۲۲
جدول۴ ۷۱: معیارهای ارزیابی ونتایج الگوریتم ADT ۱۲۳
جدول۴ ۷۲: ماتریس Confusion الگوریتم ADT ۱۲۳
جدول۴ ۷۳: معیارهای ارزیابی ونتایج الگوریتم BF ۱۲۳
جدول۴ ۷۴: ماتریس Confusion الگوریتم BF ۱۲۳
جدول۴ ۷۵:معیارهای ارزیابی ونتایج الگوریتم LMT ۱۲۴
جدول۴ ۷۶:ماتریسConfusion الگوریتم LMT ۱۲۴
جدول۴ ۷۷: معیارهای ارزیابی ونتایج الگوریتم J48graft ۱۲۴
جدول۴ ۷۸: ماتریس Confusion الگوریتم J48graft ۱۲۵
جدول۴ ۷۹: معیارهای ارزیابی ونتایج الگوریتم NB ۱۲۵
جدول۴ ۸۰:ماتریس Confusion الگوریتم NB ۱۲۵
جدول۴ ۸۱:معیارهای ارزیابی ونتایج الگوریتم REEPTREE ۱۲۶
جدول۴ ۸۲: ماتریس Confusion الگوریتم REEPTREE ۱۲۶
جدول۴ ۸۳: معیارهای ارزیابی ونتایج الگوریتم Simplecart ۱۲۶
جدول۴ ۸۴:ماتریس Confusion الگوریتم Simplecart ۱۲۷
جدول۴ ۸۵:معیارهای ارزیابی ونتایج روش Libsvm ۱۳۰
جدول۴ ۸۶: ماتریسConfusion روش Libsvm ۱۳۰
جدول۴ ۸۷: معیارهای ارزیابی ونتایج روش Supp
ort vector machine ۱۳۱
جدول۴ ۸۸: ماتریس Confusion روش Support vector machine ۱۳۱
جدول۴ ۸۹: معیارهای ارزیابی ونتایج روش Support vector machine(linear) ۱۳۲
جدول۴ ۹۰: ماتریسConfusion روش Support vector machine(linear) ۱۳۲
جدول۴ ۹۱: معیارهای ارزیابی ونتایج روش Speggeous ۱۳۲
جدول۴ ۹۲: ماتریسConfusion روش Speggeous ۱۳۳
جدول۴ ۹۳: معیارهای ارزیابی ونتایج روش W-svm ۱۳۳
جدول۴ ۹۴: ماتریس Confusion روش W-svm ۱۳۳
جدول۴ ۹۵: معیارهای ارزیابی ونتایج روش Fast large ۱۳۴
جدول۴ ۹۶: ماتریس Confusion روش Fast large ۱۳۴
فهرست اشکال و نمودارها
شکل۲ ۱: معماری یک نمونه سیستم دادهکاوی ۱۲
شکل۲ ۲: Wx,yوزن یال بینXو Yاست. ۱۵
شکل۲ ۳: درخت تصمیم گیری ۱۷
شکل۲ ۴: شبکه بیزین ۲۱
شکل۲ ۵: شبه کد الگوریتم توالی پوشش ۲۶
شکل۲ ۶: شبکه کد الگوریتم IB3 ۲۹
شکل۲ ۷: شبکه کد مربوطذ به الگوریتمKDD ۳۱
شکل۲ ۸: انواع سیستم های تشخیص تقلب ۳۸
شکل۲ ۹: معماری یک سیستم تشخیص نفوذ ۴۰
شکل۲ ۱۰: چارچوب کلی دادهکاوی برای کشف تقلب ۵۲
شکل۲ ۱۱: مقایسه خروجیهابااستفاده ازنمودارROC ۵۵
شکل۲ ۱۲: الگوریتم استخراج شده ازدرخت تصمیم ۶۱
شکل۲ ۱۳: عملکرد الگوریتم ژنتیک ۶۳
شکل۲ ۱۴: قاعده استخراج شده ازالگورِیتم ژنتیک ۶۴
شکل۲ ۱۵: توابع مربوط به الگوریتم ژنتیک ومقداردهی آنها ۶۴
شکل۲ ۱۶: معماری الگوریتم ژنتیک برای تست نفوذ ۶۵
شکل۲ ۱۷: خوشه بندی برایk=2 ۶۷
شکل۲ ۱۸: شناسایی دادهغیرنرمال ۶۸
شکل۲ ۱۹: ترکیب دستهبندی وشناسایی غیرنرمال ۶۸
شکل۳ ۱: معماری پیشنهاد داده شده برای تشخیص نفوذ باروش مبتنی بردادهکاوی ۷۲
شکل۳ ۲: مدلسازی الگوریتم شبکهعصبی با نرمافزارRapidminer ۷۸
شکل۳ ۳: مدلسازی الگوریتم مدلبیزین با نرمافزارRapidminer ۷۸
شکل۳ ۴: مدلسازی الگوریتم درخت تصمیم با نرمافزارRapidminer ۷۹
شکل۳ ۵: مدلسازی الگوریتم مدلقانونمحوربا نرمافزارRapidminer ۷۹
شکل۳ ۶: مدلسازی الگوریتم مدل بردارپشتیبان با نرمافزارRapidminer ۸۰
شکل۳ ۷: مدلسازی الگوریتم مدل کاهل بانرم افزارRapidminer ۸۰
شکل۳ ۸: نمونهای ازخروجی نرمافزار Rapidminerباپارامترهای مختلف ارزیابی ۸۱
شکل۴ ۱: نمودار ارزیابی الگوریتمهای مدل بیزین برحسب پارامتر درستی ۹۰
شکل۴ ۲: نمودار ارزیابی الگوریتمهای مدل بیزین برحسب پارامتر دقت ۹۰
شکل۴ ۳: نمودار ارزیابی الگوریتمهای مدل بیزین بر حسب پارامتر یادآوری ۹۱
شکل۴ ۴: نمودار ارزیابی الگوریتمهای مدل بیزین برحسب پارامتر F ۹۱
شکل۴ ۵: نمودار ارزیابی الگوریتمهای مدل بیزین برحسب پارامترهای مختلف ۹۲
شکل۴ ۶: نمودار ارزیابی الگوریتمهای مدل کاهل برحسب پارامتر درستی ۹۶
شکل۴ ۷: نمودار ارزیابی الگوریتمهای مدل کاهل برحسب پارامتر دقت ۹۷
شکل۴ ۸: نمودار ارزیابی الگوریتمهای مدل کاهل برحسب پارامتر یادآوری ۹۷
شکل۴ ۹: نمودار م ارزیابی الگوریتمهای مدل کاهل برحسب پارامتر F ۹۸
شکل۴ ۱۰: نمودار مربوط به ارزیابی الگوریتمهای مدل کاهل برحسب پارامترهای مختلف ۹۸
شکل۴ ۱۱: نمونه ای ازشبکهMLP ۱۰۰
شکل۴ ۱۲: عملکرد شبکه پرسپتون ۱۰۲
شکل۴ ۱۳: نمونه ای ازشبکهRBF ۱۰۳
شکل۴ ۱۴:نمودار ارزیابی مدلهای شبکه عصبی برحسب پارامتر درستی ۱۰۵
شکل۴ ۱۵: نمودار ارزیابی مدلهای شبکه عصبی برحسب پارامتر دقت ۱۰۶
شکل۴ ۱۶: نمودار ارزیابی مدلهای شبکه عصبی برحسب پارامتر یادآوری ۱۰۶
شکل۴ ۱۷: نمودار ارزیابی مدلهای شبکه عصبی برحسب پارامتر F ۱۰۷
شکل۴ ۱۸: نموداره ارزیابی مدلهای شبکه عصبی برحسب پارامتر مختلف ۱۰۷
شکل۴ ۱۹:نمودار ارزیابی الگوریتمهای مدل قانونمحور برحسب پارامتر درستی ۱۱۶
شکل۴ ۲۰: نمودار ارزیابی الگوریتمهای مدل قانونمحور برحسب پارامتر دقت ۱۱۶
شکل۴ ۲۱: نمودار ارزیابی الگوریتمهای مدل قانونمحور برحسب پارامتر یادآوری ۱۱۷
شکل۴ ۲۲: نمودار ارزیابی الگوریتمهای مدل قانونمحور برحسب پارامتر F ۱۱۷
شکل۴ ۲۳: نمودار ارزیابی الگوریتمهای مدل قانون محور برحسب پارامتر مختلف ۱۱۸
شکل۴ ۲۴:نمودار ارزیابی الگوریتمهای مدل درخت برحسب پارامتر درستی ۱۲۷
شکل۴ ۲۵: نمودار ارزیابی الگوریتمهای مدل درخت برحسب پارامتر دقت ۱۲۸
شکل۴ ۲۶: نمودار ارزیابی الگوریتمهای مدل درخت برحسب پارامتر یادآوری ۱۲۸
شکل۴ ۲۷: نمودار ارزیابی الگوریتمهای مدل درخت برحسب پارامتر F ۱۲۹
شکل۴ ۲۸: نمودار ارزیابی الگوریتمهای مدل درخت برحسب پارامتر مختلف ۱۲۹
شکل۴ ۲۹: نمودار ارزیابی روشهای مختلف ماشین بردارپشتیبان برحسب پارامتر درستی ۱۳۵
شکل۴ ۳۰: نمودار ارزیابی روشهای مختلف ماشین بردارپشتیبان برحسب پارامتر یادآوری ۱۳۵
شکل۴ ۳۱: نمودار ارزیابی روشهای مختلف ماشین بردارپشتیبان برحسب پارامتر F ۱۳۶
شکل۴ ۳۲: نمودار ارزیابی روشهای مختلف ماشین بردارپشتیبان برحسب پارامتر دقت ۱۳۶
شکل۴ ۳۳: نمودار ارزیابی روشهای مختلف ماشین بردارپشتیبان برحسب پارامتر مختلف ۱۳۷
شکل ۴-۳۴: نمودار مربوط به مقایسه بین همه الگوریتمها بر حسب پارامترهای مختلف ۱۳۷
فصل
اول
مقدمه و کلیات تحقیق
۱-۱ مقدمه
از آنجایی که از نظر تکنیکی ایجاد سیستمهای کامپیوتری بدون نقاط ضعف و شکست امنیتی عملا غیر ممکن است. تشخیص نفوذ در سیستمهای کامپیوتری با اهمیت خاصی دنبال میشود. سیستمهای تشخیص نفوذ سختافزار یا نرمافزاری است که کار نظارت بر شبکه کامپیوتری را در مورد فعالیتهای مخرب و یا نقص سیاستهای مدیریتی و امنیتی را انجام میدهد و گزارشهای حاصله را به بخش مدیریت شبکه ارائه میدهد[۱]. سیستمهای تشخیص نفوذ وظیف شناسایی و تشخیص هر گونه استفاده غیر مجاز به سیستم، سوء استفاده و یا آسیب رسانی توسط هر دودسته کاربران داخلی و خارجی را بر عهده دارند. هدف این سیستمها جلوگیری از حمله نیست و تنها کشف و احتمالا شناسایی حملات و تشخیص اشکالات امنیتی در سیستم یا شبکهکامپیوتری و اعلام آن به مدیر سیستم است. عموما سیستمهای تشخیص نفوذ در کنار دیوارهای آتش و بصورت مکمل امنیتی برای آنها مورد استفاده قرار میگیرد. سیستم های تشخیص نفوذ ستنی نمیتوانند خود را با حملات جدید تطبیق دهند از این رو امروزه سیستم های تشخیص نفوذ مبتنی بر دادهکاوی مطرح گردیدهاند[۱]. مشخص نمودن الگوهای در حجم زیاد داده، کمک بسیار بزرگی به ما میکند. روشهای دادهکاوی با مشخص نمودن یک برچسب دودویی (بسته نرمال، بسته غیرنرمال) و همچنین مشخص نمودن ویژگیها و خصیصه با الگوریتمهای دسته بندی میتوانند داده غیرنرمال تشخیص دهند. از همین رو دقت و درستی سیستم های تشخیص نفوذ افزایش یافته و در نتیجه امنیت شبکه بالا میرود[۱].
در این پایاننامه سعی شده است با استفاده از روشهای مبتنی بر دادهکاوی سیتم های تشخیص نفوذ پیشنهاد کنیم که از این روشها برای شناسایی و کشف حملات استفاده میکنند. در این روش ما تمامی الگوریتمهای موجود را شبیهسازی نموده و در خاتمه بهترین الگوریتم را پیشنهاد مینماییم. نوآوری اصلی در این پایاننامه، استفاده از الگوریتمهای مدل کاهل و مدل قانونمحور در دادهکاوی است که تاکنون برای سیستمهای]]>
دیدگاهتان را بنویسید