|
یادگیری عمیق و یک استراتژی حساس به هزینه برای سیستم تشخیص نفوذ
|
مریم پورنقدی   |
| دانشگاه آزاد اسلامی همدان |
|
|
چکیده: (612 مشاهده) |
| نفوذها و حملات مشکلاتی حیاتی در امنیت و حریم خصوصی شبکه هستند. مطالعات زیادی در مورد تشخیص نفوذ وجود دارد که اکثر آنها از الگوریتم های سنتی داده کاوی برای تشخیص نفوذ استفاده می کنند. تشخیص نفوذ با استفاده از یادگیری عمیق یک رویکرد جدید برای امنیت سایبری است. داده های نامتعادل یکی از چالش های اصلی در تشخیص نفوذ است که در آن تعداد نمونه های برخی از کلاس ها (اکثریت) بسیار بیشتر از سایر کلاس ها (اقلیت) است که باعث افزایش نرخ طبقه بندی نادرست برای کلاس های اقلیت می شود و مدل ایجاد شده به سمت اکثریت می رود. کلاس اگرچه برخی از مطالعات سعی کرده اند با استفاده از تکنیک های نمونه گیری مجدد به این موضوع بپردازند، اما موثر نیستند. این تحقیق از یادگیری عمیق استفاده می کند که مراحل طبقه بندی و استخراج خودکار ویژگی را ترکیب می کند. برخلاف رویکردهای قبلی، روش پیشنهادی به مشکل عدم تعادل کلاس در طول آموزش مدل می‌پردازد. مکانیسم توسعه‌یافته از یک استراتژی یادگیری حساس به هزینه استفاده می‌کند و هزینه‌ای را برای هر طبقه‌بندی اشتباه بر اساس توزیع کلاس تعیین می‌کند. این هزینه ها در طول آموزش زمانی در نظر گرفته می شوند که طبقه بندی های نادرستی برای تناسب با داده ها وجود داشته باشد. کارایی روش طراحی شده با استفاده از معیارهای مختلفی مانند دقت، یادآوری، دقت و امتیاز F1 با همان روش ارزیابی می‌شود. آزمایش‌ها نشان داده‌اند که روش پیشنهادی می‌تواند عملکرد طبقه‌بندی را به طور متوسط 3٪ بهبود بخشد. |
شماره‌ی مقاله: 6 |
| واژه‌های کلیدی: تشخیص نفوذ، داده های نامتعادل، یادگیری عمیق، یادگیری حساس به هزینه |
|
|
متن کامل [PDF 1196 kb]
(243 دریافت)
|
نوع مطالعه: پژوهشي |
موضوع مقاله:
عمومى
دریافت: 1401/10/11 | پذیرش: 1401/10/11 | انتشار: 1401/10/11
|
|
|
|
|
|
|
| ارسال نظر درباره این مقاله |
|
|
|
