دانلود پروژه: ارائه ی روشی نوین جهت تشخیص نفوذ در شبکه با استفاده از تکنیک­های داده­کاوی

تعداد 106 صفحه در فایل word

کارشناسی ارشد در رشته: مهندسی فناوری اطلاعات (M.Sc)

گرایش: شبکه های کامپیوتری

ارائه ی روشی نوین جهت تشخیص نفوذ در شبکه با استفاده از تکنیک­های داده­کاوی

     چكيده: يك نفوذ به عنوان مجموعه­اي از فعالیت هایی تعريف مي­شود كه تلاش مي­كنند يكپارچگي، محرمانگي و در دسترس بودن يك منبع را به مخاطره بیاندازند. يك سيستم تشخیص نفوذ (IDS)، دسترسي كاربر به سيستم كامپيوتر را با اجراي قوانين خاص، بازبيني و محدود مي­كند. قوانين، مبتني بر دانش متخصص مي­باشد كه از مسئولان باتجربه­اي كه سناريوهاي حمله را ساخته­اند، استخراج شده است. سيستم، همه­ي تخلفات صورت گرفته توسط كاربران را شناسايي كرده و اقدامات لازم براي متوقف كردن حمله روي پايگاه داده را انجام مي­دهد. مشكل تشخیص نفوذ در امنيت كامپيوتر به طور وسيعي بررسي شده است. سیستم­ تشخیص نفوذ، نرم­افزار یا سخت­افزاری است که عمل تشخیص نفوذ را به طور خودکار انجام می­دهد. با روند رو به رشد استفاده از شبکه­های کامپیوتری به خصوص اینترنت و مهارت رو به رشد کاربران و مهاجمان این شبکه­ها و نیز نقاط آسیب­پذیری مختلف در نرم­افزارها، ایمن­سازی سیستم­ها و شبکه­های کامپیوتری از اهمیت بیشتری نسبت به گذشته برخوردار شده است. تامین امنیت در هر سیستم یا شبکه ی کامپیوتری می­تواند به دو صورت، یکی از طریق پیشگیری امنیتی و دیگری از طریق تشخیص تخطی از سیاست­های امنیتی انجام پذیرد. روش های مختلفی برای تشخیص نفوذ در سیستم پیشنهاد شده است. در این میان روش هایی که از داده­کاوی و یادگیری ماشین استفاده می­کنند، مورد توجه هستند.در این تحقیق به دنبال ارائه ی روشی دو مرحله­ای هستیم. در لایه ی اول سعی داریم تا با استفاده از روش های خوشه­بندی، مجموعه داده را خوشه­بندی کرده و سپس در لایه دوم داده­های نرمال را از غیر نرمال تششخیص دهیم. لایه ی اول باعث ساده سازی می­شود زیرا هم حجم داده را کاهش داده و هم باعث تمرکز دسته­بند برروی داده­های جمع­آوری شده در لایه ی دوم می­شود. در این لایه از الگوریتم K-Means برای خوشه­بندی استفاده می­کنیم. در رابطه با استفاده از دسته­بند، از الگوریتم­های دسته­بندی مبتنی بر مجمع، استفاده خواهیم کرد. در واقع، در این تحقیق مدلی مبتنی بر داده­کاوی به منظور افزایش دقت تشخیص نفوذ، پیشنهاد شده است. در این مدل، چندین دسته بند مختلف با یکدیگر ترکیب می­شوند. ایده ی پشت این مدل، تقسیم فضای پیچیده ویژگی به زیرفضاهایی ساده­تر، و سپس محول کردن هر زیرفضا به یک دسته بند است. در این تحقیق از مجموعه داده KDD CUP استفاده شده است.

واژه‌های کلیدی:تشخیص نفوذ، سیستم­های تشخیص نفوذ، دسته­بند، داده­کاوی، یادگیری ماشین، خوشه­بندی، دسته­بندی مبتنی بر مجمع.