تشخیص حملات ترافیک انتقالی شبکه با استفاده از منطق فازی مبتنی بر گروه مدل مخفی مارکوف

•   آرشیو : نسخه تابستان 1398
•   موضوع : بازیابی اطلاعات
• نویسنده/گان : سیده معصومه موسوی، سیده طاهره موسوی
•   چکیده :
  با توجه به رشد روزافزون حجم تبادل اطلاعات از طریق شبکه های کامپیوتری، مساله امنیت در ارتباطات کامپیوتری، تبدیل به یک رکن اساسی در طراحی شبکه های ارتباطی شده است و با توجه به رشد تصاعدی فعالیت های غیرمجاز در شبکه، نیاز به راهکارهای مفید و موثر در مقابله با این نوع فعالیت ها وجود دارد. حمله های صفر روزه یکی از خطرناک‌ترین تهدید های هستند که کامپیوترهای شبکه را تهدید می کنند و در معنای لغوی به حمله هایی گفته می شود که تا به حال توسط سیستم شناخته‌ نشده‌اند، بنابراین ابزارهای دفاعی که مبتنی بر یک سری قوانین می باشند درمقابل حملات صفر روزه ناتوان هستند. اخیرا ابزارهای دفاعی مبتنی ناهنجاری با الگوریتم های یادگیری ماشین برای شناسایی این حملات استفاده می شوند. با توجه به اینکه این روش‌ها حمله¬های صفر روزه را تا حد قابل قبولی خنثی کرده اند، از محبوبیت خوبی برخوردار شده اند. در این سیستم ها مدلی بر پایه داده های آماری از فعالیت شبکه ساخته می شود. چنانچه در هر لحظه بار ترافیکی شبکه از مرزی که بین فعالیت های عادی و غیر عادی توسط سیستم مشخص شده تخطی کند، سیستم هشداری مبنی بر وقوع حمله میدهد. در این مقاله یک سیستم تشخیص رفتار غیرعادی با استفاده از منطق فازی و طبقه بندی کننده چندگانه و زنجیره مارکوف ارائه شده است. نتایج آزمایشگاهی نشان میدهد که الگوریتم پیشنهادی نسب به سایر روش های قابل مقایسه عملکرد خوبی را از خود نشان داده است. واژگان کليدي: حملات شبکه، منطق فازی، تشخیص ناهنجاری، مدل مارکوف. با رشد سریع اطلاعات و داده ها، یافتن اطلاعات مناسب و کارآ از اهمیت خاصی برخوردار هست. هدف از خلاصه سازی متن، فراهم کردن خلاصه ای از محتویات مطابق با اطلاعات مورد نیاز کاربر می باشد. امروزه با توجه به فراوانی اسناد در اینترنت که بیشتر آنها محتوی اطلاعات غیر ضروری می باشند، اهمیت خلاصه سازی متون به منظور کاهش زمان مطالعه از اهمیت خاصی برخوردار است. افزایش چشمگیر این نوع اطلاعات، وجود ابزارهایی برای ارزیابی خودکار منابع متنی را بیش از هر زمان دیگری آشکار می کند. در این میان خلاصه سازی خودکار متون یکی از راهکارهایی است که از اتلاف وقت کاربران می کاهد. خلاصه سازی در اصل، فرآیند فشرده سازی یک منبع بوده، به نحوی که نتیجه کار شامل اطلاعات مهم آن منبع باشد. به عبارت دیگر، استخراج قسمت های مهم از یک یا چند متن را خلاصه سازی می گویند. با وجود تکنیک های متعددی که برای خلاصه سازی متون وجود دارد، هنوز چالشی اساسی برای تولید یک راه حل بهینه وجود دارد. در این پژوهش با بکارگیری الگوریتم جستجوی فاخته و ترکیب آن با تحلیل احساسات، دقت خلاصه های استخراجی افزایش یافته و روشی برای حل مشکل بهینه سازی در چندین زمینه ارائه می‌شود. فرآیند تحقیق شامل مراحل پیش پردازش، توزیع گوسی، تابع برازش و اجرای الگوریتم خلاصه سازی متن می باشد. مرحله پیش پردازش شامل تقسیم بندی جملات، توکنیزاسیون یا نشانه گذاری، حذف کلمه توقف و زیر وظایف شامل حذف ریشه لغات می باشد. الگوریتم پیشنهادی این تحقیق بر روی 10 سند متفاوت جمع آوری شده از مجموعه داده های DUC2007، مورد ارزیابی قرار گرفته است. داده های DUC2007 در مجموع شامل ۴۵ موضوع بوده که هر کدام شامل ۲۵ سند می باشد. این مجموعه داده، یک مجموعه داده منبع باز می باشد. بسته ROUGE-1.5.5 برای ارزیابی خلاصه متن با معیارهای ارزیابی مورد استفاده قرار گرفته است. سیستم خلاصه سازی در مقایسه با سایر سیستم های خلاصه سازی از لحاظ امتیاز ROUGE در معیارهای Recall, Precision وF-measure نتایج بهتری را نشان می دهد.
•   کلید واژه : خلاصه سازی متن، تحلیل احساسات، الگوریتم بهینه سازی فاخته، ابزار ارزیابی ROUGE
•   Title : Text summarization by efficient algorithms
•   Abstract :
  With the rapid growth of information and data, finding appropriate and efficient information is of particular importance. The purpose of the summarizing the text is to provide a summary of the contents according to the information required by the user. Nowadays due to the abundance of documents in the Internet, most of which contains unnecessary information, emphasizes the importance of summarizing texts to reduce study time. The dramatic increase in this type of information reveals importance of existence of tools for automated evaluation of textual resources more than ever.
  Aautomatic summarization of texts is one of the solutions that reduces wasting of users' time. Summary is essentially the process of compressing a resource, so that the result contains important information about that resource. In other words, extracting important parts of one or more texts is called summarizing. Despite several techniques there is still a fundamental challenge to producing an optimal solution for summarizing texts. In this research, by using the cuckoo search algorithm and combining it with emotion analysis, the accuracy of the extracted summaries is increased and a way to solve the optimization problem in several fields is presented. The research process includes preprocessing, Gaussian distribution, fitness function and execution of text summarization algorithm.
  The preprocessing step includes sentence segmentation, tokenization or markup, deletion of the pause word, and sub-tasks including deletion of
  the root of the words. The proposed algorithm of this research is evaluated on 10 different documents collected from DUC2007 data set. DUC2007 data included a total of 45 items, each containing 25 documents. This dataset is an open source dataset. The ROUGE-1.5.5 package has been used to evaluate the summary text with evaluation criteria.
  Summary system in comparison with other summarizing systems in terms of ROUGE score in Recall, Precision and F-measure criteria shows better results.
•   مراجع :
  1- Rajabioun, Ramin. "Cuckoo optimization algorithm." Applied soft computing 11, no. 8 (2011): 5508-5518.
  
  2- Richmond, W. K. (1965). Teachers and machines: an introduction to the theory and practice of programmed learning. Collins.
  
  3- Shaikh, M. A. M., Prendinger, H., & Mitsuru, I. (2007, September). Assessing sentiment of text by semantic dependency and contextual valence analysis. In International conference on affective computing and intelligent interaction (pp. 191-202). Springer, Berlin, Heidelberg.
  
  4- Zheng, H., & Zhou, Y. (2012). A novel cuckoo search optimization algorithm based on Gauss distribution. Journal of Computational Information Systems, 8(10), 4193-4200.
  
  5- Rautray, R., & Balabantaray, R. C. (2018). An evolutionary framework for multi document summarization using Cuckoo search approach: MDSCSA. Applied computing and informatics, 14(2), 134-144.
  
  6- Sarkar, K. (2013). Automatic Single Document Text Summarization Using Key Concepts in Documents. JIPS, 9(4), 602-620.
  
  7- Nenkova, A. (2005). Automatic text summarization of newswire: Lessons learned from the document understanding conference
  
  8- Mosa, Mohamed Atef, Arshad Syed Anwar, and Alaa Hamouda. "A survey of multiple types of text summarization based on swarm intelligence optimization techniques." (2018).
  
  9- Rouane, Oussama, Hacene Belhadef, and Mustapha Bouakkaz. "Combine clustering and frequent itemsets mining to enhance biomedical text summarization." Expert Systems with Applications 135 (2019): 362-373.
•  صفحات : 58-67
•   دانلود فایل ( 578 KB )