دانلود پایان نامه ارشد : بررسی و تشخیص نفوذ با استفاده از الگوریتم های دادهکاوی |
 |
2-2-4 مدل قانونمحور 22
2-2-5 مدل کاهل 26
2-2-6ماشین بردارپشتیبان 32
2-3 مقدمهای بر تقلب… 36
2-3-1 ساختن مدل برای تقلب 36
2-3-2 اصول کلی تقلب: 36
2-3-3 چگونگی شناسایی تقلب: 37
2-3-4 چگونگی ساخت مدل تقلب: 37
2-4 مقدمهای بر سیستم تشخیص نفوذ. 38
2-4-1 تعاریف اولیه 39
2-4-2 وظایف عمومی یک سیستم تشخیص نفوذ: 39
2-4-3 دلایل استفاده از سیستم های تشخیص نفوذ: 40
2-4-4 جمع آوری اطلاعات 41
2-4-5 تشخیص و تحلیل: 41
2-4-6 تشخیص سوء استفاده: 41
2-4-7 تشخیص ناهنجاری: 42
2-4-8 مقایسه بین تشخیص سوء استفاده و تشخیص ناهنجاری: 42
2-4-9 پیاده سازی سیستمهای تشخیص نفوذ: 42
2-5 تعاریف برخی مقادیر ارزیابی مورد استفاده در سیستم داده کاوی: 44
2-5-1Confusion matrix: 46
2-5-2 درستی 47
2-5-3 میزان خطا 47
2-5-4 حساسیت، میزان مثبت واقعی، یاد آوری 47
2-5-5 ویژگی، میزان منفی واقعی 48
2-5-6 حساسیت: 48
2-5-7دقت 49
2-5-8 معیار F: 49
2-6 پژوهشهای انجام شده در این زمینه: 50
2-6-1 پژوهش اول: کشف تقلب در سیستمهای مالیبا استفاده از دادهکاوی… … 51
2-6-2 پژوهش دوم: کشف تقلب در کارت اعتباری با استفاده از شبکه عصبی و بیزین 53
2-6-3پژوهش سوم: شناسایی تقلب بیمه با استفاده از تکنیکهای دادهکاوی…….. ……… 56
2-6-4 پژوهش چهارم: استفاده از الگوریتم ژنتیک برای تشخیص تست نفوذ. 62
2-6-5 پژوهش پنجم: شناسایی ترافیک غیرنرمال در شبکه با الگوریتم خوشه بندی 65
3-1 روش تحقیق.. 71
3-2 دادههای آموزشی و تست: 73
3-2-1 ویژگیهای دادهها ………. 73
3-2-2 ویژگیهای اساسی مجموعه دادهها: 73
4-1 الگوریتمهای مدل بیزین و ارزیابی آنها 83
4-2 مدل کاهل.. 92
4-3 شبکه عصبی.. 99
4-4 مدل قانون محور. 108
4-5 درخت تصمیم. 118
4-6 ماشین بردار پشتیبان.. 130
فصل پنجم 139
5-1 مقدمه. 140
5-2 مزایا 141
5-3 پیشنهادات… 141
فصل ششم 143
فهرست منابع. 144
پیوستها 148
پیوست الف -مجموعه داده نوع اول: 148
پیوست ب-مجموعه داده نوع دوم. 153
پیوست ج-نوع داده مجموعه سوم: 156
پیوست د-مجموعه داده نوع چهارم. 161
پیوست ه -مجموعه داده نوع پنجم. 190
فهرست جداول
جدول2‑1: تعریف معیارها 45
جدول2‑2: ماتریس Confusion. 46
جدول2‑3:معیارهای مختلف ارزیابی وفرمول آنها 50
جدول2‑4: مقایسه نتیجه بین شبکهعصبی وشبکه بیزین.. 56
جدول2‑5: داده برای دسته بندی بیزین 59
جدول2‑6: داده برای دستهبندی بیزین 60
جدول2‑7: ارزیابی درخت تصمیم 62
جدول2‑11: ارزیابی با استفاده ازخوشهبندی.. 69
جدول3‑1 :ویژگیهای اساسی استخراج شده ازارتباطTCP. 74
جدول3‑2 :ویژگی های استخراجی ازارتباطTCP. 74
جدول3‑3: ویژگیهای استخراج شده ازپنجره. 76
جدول4‑2: ماتریس Confusion الگوریتم Kernel naive Baysian 83
جدول4‑1: معیارهای ارزیابی ونتایج الگوریتم Kernel naive Baysian 84
جدول4‑4: ماتریس Confusion الگوریتم Naive Baysian. 84
جدول4‑3: معیارهای ارزیابی ونتایج الگوریتم Naive Baysian 84
جدول4‑6: ماتریس Confusion الگوریتم Waode. 85
جدول4‑5: معیارهای ارزیابی ونتایج الگوریتم Waode. 85
جدول4‑8: ماتریس Confusion الگوریتم Aode. 85
جدول4‑7: معیارهای ارزیابی و نتایج الگوریتم Aode. 86
جدول4‑10: ماتریسConfusion الگوریتم Aodesr 86
جدول4‑9: معیارهای ارزیابی ونتایج الگوریتم Aodesr 86
جدول4‑12: ماتریسConfusion الگوریتم Bayesenet 87
جدول4‑11: معیارهای ارزیابی ونتایج الگوریتم Bayesenet 87
جدول4‑13: معیارهای ارزیابی ونتایج الگوریتم HNB.. 88
جدول4‑14: ماتریسConfusion الگوریتم HNB 88
جدول4‑16: ماتریس Confusion الگوریتم Dmnbtext 88
جدول4‑15: معیارهای ارزیابی ونتایج الگوریتم Dmnbtext 89
جدول4‑18: ماتریسConfusion الگوریتم BaysianLogic Regression. 89
جدول4‑17: معیارهای ارزیابی ونتایج الگوریتم BaysianLogic Regression. 89
جدول4‑20: ماتریسConfusion الگوریتم IB1. 93
جدول4‑19: معیارهای ارزیابی و نتایج الگوریتم IB1 93
جدول4‑21: معیارهای ارزیابی ونتایج الگوریتم IBK.. 93
جدول4‑22: ماتریس Confusion الگوریتم IBK.. 94
جدول4‑24: ماتریس Confusion الگوریتم LWL. 94
جدول4‑23: معیارهای ارزیابی ونتایج الگوریتم LWL. 94
جدول4‑26: ماتریسConfusion الگوریتم KSTAR.. 95
جدول4‑25: معیارهای ارزیابی ونتایج الگوریتم KSTAR.. 95
جدول4‑27: معیارهای ارزیابی ونتایج الگوریتم KNN.. 95
جدول4‑28: ماتریس Confusion الگوریتم KNN.. 96
جدول4‑29: معیارهای ارزیابی ونتایج شبکه MLP. 101
جدول4‑30: ماتریس ConfusionشبکهMLP 101
جدول4‑32: ماتریس Confusionشبکه Perceptrons. 102
جدول4‑31: معیارهای ارزیابی ونتایج شبکه Perceptrons 103
جدول4‑34: ماتریسConfusion الگوریتم RBF. 104
جدول4‑33: معیارهای ارزیابی ونتایج الگوریتم RBF. 104
جدول4‑36:ماتریسConfusion الگوریتم Neural net 105
جدول4‑35:معیارهای ارزیابی ونتایج الگوریتم Neural net 105
جدول4‑38: ماتریس Confusion الگوریتم Conjuctive rule. 108
جدول4‑37: معیارهای ارزیابی ونتایج الگوریتم Conjuctive rule. 108
جدول4‑39: معیارهای ارزیابی ونتایج الگوریتم decision table. 109
جدول4‑40: ماتریسConfusion الگوریتم decision table. 109
جدول4‑41 :معیارهای ارزیابی ونتایج الگوریتم DTNB.. 110
جدول4‑42: ماتریسConfusion الگوریتم DTNB.. 110
جدول4‑44: ماتریس Confusion الگوریتم JRIP. 110
جدول4‑43: معیارهای ارزیابی ونتایج الگوریتم JRIP. 111
جدول4‑45: معیارهای ارزیابی ونتایج الگوریتم ONER.. 111
جدول4‑46: ماتریس Confusion الگوریتم ONER.. 111
جدول4‑47: معیارهای ارزیابی ونتایج الگوریتم PRSIM.. 112
جدول4‑48: ماتریس Confusion الگوریتم PRSIM.. 112
جدول4‑49: معیارهای ارزیابی ونتایج الگوریتم RIDOR.. 112
جدول4‑50: ماتریسConfusion الگوریتم RIDOR.. 113
جدول4‑51: معیارهای ارزیابی ونتایج الگوریتم RULE Induction. 113
جدول4‑52: ماتریسConfusion الگوریتم RULE Induction. 113
جدول4‑53: معیارهای ارزیابی ونتایج الگوریتم RULE Induction single attribute. 114
جدول4‑54: ماتریسConfusion الگوریتم RULE Induction single attribute. 114
جدول4‑55: معیارهای ارزیابی ونتایج الگوریتم TREE by rule. 114
جدول4‑56:ماتریس Confusion الگوریتم TREE by rule. 115
جدول4‑57: معیارهای ارزیابی ونتایج الگوریتم part 115
جدول7‑58: ماتریسConfusion الگوریتم part 115
جدول4‑59: معیارهای ارزیابی ونتایج الگوریتم CHAID.. 119
جدول4‑60: ماتریسConfusion الگوریتم CHAID.. 119
جدول4‑61: معیارهای ارزیابی ونتایج الگوریتم DECISION TREE 119
جدول4‑62: ماتریس Confusion الگوریتم DECISION TREE. 120
جدول4‑63: معیارهای ارزیابی ونتایج الگوریتم J48. 120
جدول4‑64: ماتریسConfusion الگوریتم J48. 120
جدول4‑65: معیارهای ارزیابی ونتایج الگوریتم FT. 121
جدول4‑66: ماتریس Confusion الگوریتم FT 121
جدول4‑68: ماتریس Confusion الگوریتم ID3. 121
جدول4‑67: معیارهای ارزیابی ونتایج الگوریتم ID3. 122
جدول4‑69: معیارهای ارزیابی ونتایج الگوریتم LAD.. 122
جدول4‑70: ماتریس Confusion الگوریتم LAD.. 122
جدول4‑71: معیارهای ارزیابی ونتایج الگوریتم ADT. 123
جدول4‑72: ماتریس Confusion الگوریتم ADT. 123
جدول4‑73: معیارهای ارزیابی ونتایج الگوریتم BF. 123
جدول4‑74: ماتریس Confusion الگوریتم BF. 123
جدول4‑75:معیارهای ارزیابی ونتایج الگوریتم LMT. 124
جدول4‑76:ماتریسConfusion الگوریتم LMT. 124
جدول4‑77: معیارهای ارزیابی ونتایج الگوریتم J48graft 124
جدول4‑78: ماتریس Confusion الگوریتم J48graft 125
جدول4‑79: معیارهای ارزیابی ونتایج الگوریتم NB 125
جدول4‑80:ماتریس Confusion الگوریتم NB.. 125
جدول4‑81:معیارهای ارزیابی ونتایج الگوریتم REEPTREE 126
جدول4‑82: ماتریس Confusion الگوریتم REEPTREE. 126
جدول4‑83: معیارهای ارزیابی ونتایج الگوریتم Simplecart 126
جدول4‑84:ماتریس Confusion الگوریتم Simplecart 127
جدول4‑85:معیارهای ارزیابی ونتایج روش Libsvm.. 130
جدول4‑86: ماتریسConfusion روش Libsvm.. 130
جدول4‑87: معیارهای ارزیابی ونتایج روش Support vector machine. 131
جدول4‑88: ماتریس Confusion روش Support vector machine 131
جدول4‑89: معیارهای ارزیابی ونتایج روش Support vector machine(linear) 132
جدول4‑90: ماتریسConfusion روش Support vector machine(linear) 132
جدول4‑91: معیارهای ارزیابی ونتایج روش Speggeous. 132
جدول4‑92: ماتریسConfusion روش Speggeous. 133
جدول4‑93: معیارهای ارزیابی ونتایج روش W-svm.. 133
جدول4‑94: ماتریس Confusion روش W-svm.. 133
جدول4‑95: معیارهای ارزیابی ونتایج روش Fast large. 134
جدول4‑96: ماتریس Confusion روش Fast large. 134
فهرست اشکال و نمودارها
شکل2‑1: معماری یک نمونه سیستم دادهکاوی 12
شکل2‑2: Wx,yوزن یال بینXو Yاست. 15
شکل2‑3: درخت تصمیم گیری 17
شکل2‑4: شبکه بیزین 21
شکل2‑5: شبه کد الگوریتم توالی پوشش… 26
شکل2‑6: شبکه کد الگوریتم IB3. 29
شکل2‑7: شبکه کد مربوطذ به الگوریتمKDD 31
شکل2‑8: انواع سیستم های تشخیص تقلب… 38
شکل2‑9: معماری یک سیستم تشخیص نفوذ. 40
شکل2‑10: چارچوب کلی دادهکاوی برای کشف تقلب 52
شکل2‑11: مقایسه خروجیهابااستفاده ازنمودارROC.. 55
الگوریتم استخراج شده ازدرخت تصمیم. 61
شکل2‑13: عملکرد الگوریتم ژنتیک 63
شکل2‑14: قاعده استخراج شده ازالگورِیتم ژنتیک 64
شکل2‑15: توابع مربوط به الگوریتم ژنتیک ومقداردهی آنها 64
شکل2‑16: معماری الگوریتم ژنتیک برای تست نفوذ 65
شکل2‑17: خوشه بندی برایk=2. 67
شکل2‑18: شناسایی دادهغیرنرمال 68
شکل2‑19: ترکیب دستهبندی وشناسایی غیرنرمال.. 68
شکل3‑1: معماری پیشنهاد داده شده برای تشخیص نفوذ باروش مبتنی بردادهکاوی.. 72
شکل3‑2: مدلسازی الگوریتم شبکهعصبی با نرمافزارRapidminer 78
شکل3‑3: مدلسازی الگوریتم مدلبیزین با نرمافزارRapidminer 78
شکل3‑4: مدلسازی الگوریتم درخت تصمیم با نرمافزارRapidminer 79
شکل3‑5: مدلسازی الگوریتم مدلقانونمحوربا نرمافزارRapidminer 79
شکل3‑6: مدلسازی الگوریتم مدل بردارپشتیبان با نرمافزارRapidminer 80
شکل3‑7: مدلسازی الگوریتم مدل کاهل بانرم افزارRapidminer 80
شکل3‑8: نمونهای ازخروجی نرمافزار Rapidminerباپارامترهای مختلف ارزیابی.. 81
شکل4‑1: نمودار ارزیابی الگوریتمهای مدل بیزین برحسب پارامتر درستی.. 90
شکل4‑2: نمودار ارزیابی الگوریتمهای مدل بیزین برحسب پارامتر دقت… 90
شکل4‑3: نمودار ارزیابی الگوریتمهای مدل بیزین بر حسب پارامتر یادآوری.. 91
شکل4‑4: نمودار ارزیابی الگوریتمهای مدل بیزین برحسب پارامتر F. 91
شکل4‑5: نمودار ارزیابی الگوریتمهای مدل بیزین برحسب پارامترهای مختلف… 92
شکل4‑6: نمودار ارزیابی الگوریتمهای مدل کاهل برحسب پارامتر درستی.. 96
شکل4‑7: نمودار ارزیابی الگوریتمهای مدل کاهل برحسب پارامتر دقت… 97
شکل4‑8: نمودار ارزیابی الگوریتمهای مدل کاهل برحسب پارامتر یادآوری.. 97
شکل4‑9: نمودار م ارزیابی الگوریتمهای مدل کاهل برحسب پارامتر F. 98
شکل4‑10: نمودار مربوط به ارزیابی الگوریتمهای مدل کاهل برحسب پارامترهای مختلف… 98
شکل4‑11: نمونه ای ازشبکهMLP. 100
شکل4‑12: عملکرد شبکه پرسپتون.. 102
شکل4‑13: نمونه ای ازشبکهRBF. 103
شکل4‑14:نمودار ارزیابی مدلهای شبکه عصبی برحسب پارامتر درستی.. 105
شکل4‑15: نمودار ارزیابی مدلهای شبکه عصبی برحسب پارامتر دقت… 106
شکل4‑16: نمودار ارزیابی مدلهای شبکه عصبی برحسب پارامتر یادآوری.. 106
شکل4‑17: نمودار ارزیابی مدلهای شبکه عصبی برحسب پارامتر F. 107
شکل4‑18: نموداره ارزیابی مدلهای شبکه عصبی برحسب پارامتر مختلف… 107
شکل4‑19:نمودار ارزیابی الگوریتمهای مدل قانونمحور برحسب پارامتر درستی.. 116
شکل4‑20: نمودار ارزیابی الگوریتمهای مدل قانونمحور برحسب پارامتر دقت… 116
شکل4‑21: نمودار ارزیابی الگوریتمهای مدل قانونمحور برحسب پارامتر یادآوری.. 117
شکل4‑22: نمودار ارزیابی الگوریتمهای مدل قانونمحور برحسب پارامتر F. 117
شکل4‑23: نمودار ارزیابی الگوریتمهای مدل قانون محور برحسب پارامتر مختلف… 118
فرم در حال بارگذاری ...
|
[چهارشنبه 1399-10-10] [ 02:54:00 ق.ظ ]
|
