ارسل ملاحظاتك

ارسل ملاحظاتك لنا







Intelligent Solution for New Cyberspace Attacks

المؤلف الرئيسي: Alabdallah, Ala'Eddin Minwer Saleh (Author)
مؤلفين آخرين: Awad, Mohammed (Advisor)
التاريخ الميلادي: 2017
موقع: جنين
الصفحات: 1 - 86
رقم MD: 1019332
نوع المحتوى: رسائل جامعية
اللغة: الإنجليزية
الدرجة العلمية: رسالة ماجستير
الجامعة: الجامعة العربية الأمريكية - جنين
الكلية: كلية الدراسات العليا
الدولة: فلسطين
قواعد المعلومات: Dissertations
مواضيع:
رابط المحتوى:
صورة الغلاف QR قانون

عدد مرات التحميل

36

حفظ في:
المستخلص: إن من أهم القضايا المتعلقة بأنظمة كشف التسلل IDS هي حساسية هذه الأنظمة تجاه وقوع الأخطاء وكذلك القصور في عملية التقييم في النماذج السابقة. إن معظم الجهود السابقة اهتمت بتحسين الدقة الشاملة لهذه الأنظمة من خلال زيادة قدرة هذه النماذج على كشف التسلل بالتزامن مع تقليل الإنذارات الكاذبة. وهو أمر جدير بالاهتمام. وبالرغم من نجاح هذه الجهود في تحسين الدقة الكلية للنظام؛ إلا أنها سقطت في مفارقة الدقة Accuracy paradox. إن خوارزميات التعلم الآلي Machine Learning غالبا ما تصنف معظم أو حتى جميع سجلات الفئات الأقل عددا إلى واحدة من الفئات الأساسية الكبيرة دون ترك أثر يذكر في الدقة الكلية للخوارزميات. الجدير بالذكر، هو أن الهجمات الممثلة بهذه الفئات الصغيرة خطيرة على أمان أنظمة الحاسوب. إن عجز غالب المحاولات السابقة عن حل مفارقة الدقة هذه وبقاء الحاجة الملحة لتحسين أداء هذه الأنظمة هو الدافع لهذه الرسالة. في هذه الأطروحة، لقد قمنا بدمج أسلوب أخذ العينات الطبقي Stratified Sampling وأسلوب الأوزان المختلفة للفئات المختلفة Cost-Function مع خوارزميتي التعلم الآلي WSVM و WELM لبناء حلول لتحسن أداء أنظمة كشف التسلل والتقليل من حدوث مشكلة التناقض في الدقة مع مراعات القيام بالتجارب بشكل عادل ومتسق مع غيراها من الأعمال. لقد تم تنفيذ التجارب الأساسية على قاعدة البيانات NSL-KDD في حين تم إجراء التجارب مرة أخرى على قاعدة البيانات UNB ISCX2012‎، من أجل إثبات تحقق الهدف من الأطروحة. أظهرت التجارب التي أجريت أن الخوارزمية ‎ WSVMهي أكثر فعالية من الخوارزمية WELM، على الرغم من أن الخوارزمية WELM هي منافس جيد. كما أظهرت التجارب على كلتا قاعدتي البيانات وباستخدام كلا الخوارزميتين نتائج منافسة من حيث الدقة الكلية ومقياس F-score لكل فئة على حدة بالمقارنة مع أفضل الأعمال السابقة الحديثة.