تجزیه و تحلیل دقیق تکنیک های یادگیری عمیق برای تشخیص نفوذ باینری و چند کلاسه در شبکه های کامپیوتری

چکیده مقاله

هم زمان با رشد دانش فناوری اطلاعات و تقاضای روزافزون برای دست یافتن به سیستمهایی با امنیت و قابلیت اطمینان بالاتر، توسعه مدل های جدید امنیتی و تحلیل و طراحی روش های مناسب برای تشخیص نفوذ در شبکه ها و سیستم ها، اهمیت ویژه ای پیدا کرده است در این مطالعه، یک تجزیه و تحلیل دقیق از تکنیک های یادگیری عمیق برای تشخیص نفوذ در شبکه های کامپیوتری ارائه خواهد شد به بیان دقیق تر، عملکرد هفت مدل یادگیری عمیق شامل شبکه عصبی عمیق Deep Neural Network ، شبکه های عصبی بازگشتی Recurrent Neural Networks ، شبکه های عصبی کانولوشنی Convolutional Neural Networks ، ماشین های بولتزمن محدود شده Restricted Boltzmann Machines ، شبکه های باور عمیق Deep Belief Networks ، ماشین های بولتزمن عمیق Deep Boltzmann Machines و اتوانکدرها یا خودرمزگذارهای عمیق Deep AutoEncoders در طبقه بندی های باینری و چند کلاسه مورد تجزیه و تحلیل قرار خواهند گرفت در این پژوهش مجموعه داده های CSE CIC IDS ۲۰۱۸ به عنوان مجموعه داده استاندارد و سیستم TensorFlow به عنوان کتابخانه نرم افزاری در نظر گرفته شده اند مضاف بر این دو ، برای ارزیابی هر چه دقیق تر مدل ها از مهم ترین شاخص های عملکرد یعنی دقت، نرخ تشخیص و نرخ هشدار نادرست نیز استفاده خواهیم کرد

کلیدواژه‌ها

نویسندگان

علی نادرزاده ینگجه

دانشجوی کارشناسی مهندسی فناوری اطلاعات مجتمع آموزش عالی بم

نادرزاده ینگجه، علی،1401،تجزیه و تحلیل دقیق تکنیک های یادگیری عمیق برای تشخیص نفوذ باینری و چند کلاسه در شبکه های کامپیوتری،نهمین کنگره ملی تازه های مهندسی برق و کامپیوتر ایران،تهران

ارائه‌شده در

مجموعه مقالات نهمین کنگره ملی تازه های مهندسی برق و کامپیوتر ایران29 آبان 1401 · تهران