نام و نام خانوادگی: فاطمه کریمی
عنوان پایان نامه: بهبود تشخیص حملات در شبکه با استفاده از شبکههای عصبی عمیق و ترکیب تکنیکهای بیش نمونهگیری و کم نمونهگیری
رشته تحصیلی:مهندسی کامپیوتر گرایش شبکههای کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر مهدی اکبری کوپایی
چکیده:
امروزه بدلیل افزایش میزان حملات و نفوذ به شبکهها، وجود سیستمهای تشخیص نفوذ، بیش از پیش ضروری به نظر میرسد. یک سیستم تشخیص نفوذ با نظارت بر ترافیک شبکه، فعالیتهای مشکوک را شناخته و هشدار میدهد. اهمیت بالای این سیستمها در تشخیص نفوذ باعث گردیده که در سالهای اخیر مطالعات مختلفی در این زمینه ارائه شود. اغلب مطالعات ارائه شده در این زمینه برای ارائه یک سیستم تشخیص نفوذ از ترکیب روشهای خوشهبندی و طبقهبندی استفاده میکنند. اما غالبا این روشها دارای نقاط ضعف مشترکی هستند، تعیین تعداد خوشه مناسب، تعیین نقاط بهینه اولیه مراکز از جمله محدودیتهایی است که نتایج آنها را تحت تاثیر قرار میدهد. از طرف دیگر مشکل عدم توازن در دادههای حملات و وجود حملاتی با حداقل داده ممکن باعث میشود روشهای یادگیری ماشین در مواجه با این نوع حملات با مشکل مواجه باشند و قادر به تشخیص آنها نباشند. از اینرو در این تحقیق هدف ارائه یک سیستم تشخیص نفوذ در راستای رفع دو مشکل فوق است. در این روش از یادگیری عمیق و شبکههای عصبی عمیق بازگشتی LSTM برای تشخیص نفوذ استفاده میشود. از طرف دیگر برای رفع مشکل عدم توازن دادهها از ترکیب تکنیکهای بیش نمونهگیری و کمنمونهگیری استفاده میشود. در این روش برای 3 نوع از حملات نادر که دارای تعداد نمونههای کمی هستند، دادههای مصنوعی با استفاده از الگوریتم SMOTE از دادههای حقیقی حمله، تولید میشود و به تعداد افزوده شده به دادههای کلاسهای اقلیت، از تعداد دادههای کلاس اکثریت به صورت تصادفی حملاتی حذف میشود. بررسی روش پیشنهادی بر روی سه پایگاه حملات NSL-KDD، UNSW-NB15_4 و CICIDS-2017 نشان میدهد که راهکار مطرح شده توانسته است به صحت بالای 97% در تشخیص حملات دست یابد که در مقایسه با روش پیشین بالغ بر 3% تشخیص نفوذ را بهبود داده است.
کلیدواژه: شبکههای عصبی عمیق بازگشتی، تشخیص نفوذ، بیش نمونهگیری، کم نمونهگیری.
تاریخ دفاع: تابستان 1400