پديد آورنده :
رجائي، محسن
عنوان :
سيستم تشخيص نفوذ مبتني بر ناهنجاري با استفاده از يادگيري عميق
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
هوش مصنوعي
محل تحصيل :
اصفهان: دانشگاه صنعتي اصفهان، دانشكده برق و كامپيوتر
صفحه شمار :
[سيزده]، ۱۳۸ص.: مصور، جدول، نمودار
استاد راهنما :
علي قانيان
توصيفگر ها :
سيستم تشخيص نفوذ مبتني بر ناهنجاري , يادگيري عميق , UNSW-NB15 , حمله سايبري
استاد داور :
مسعودرضا هاشمي
تاريخ ورود اطلاعات :
1397/04/03
رشته تحصيلي :
برق و كامپيوتر
دانشكده :
مهندسي برق و كامپيوتر
چكيده فارسي :
چكيده امروزه سيستمها و شبكههاي كامپيوتري نقش حياتي در زندگي انسانها دارند اين نقش حياتي سبب شده تا هر گونه تهديد و حمله سايبري قابليت اثرگذاري و تخر يب ز يادي داشته باشد همراه با رشد سر يع شبكهها و سيستمهاي كامپيوتري عوامل تهديد تكنيكها و رويكردهاي مورد استفاده جهت انجام حملههاي خود را ارتقا دادهاند از سوي ديگر راهكارهاي مرسوم در سيستمهاي تشخيص نفوذ مبتني بر ناهنجاري بر اساس تكنيكهاي يادگيري ماشين بهصورت گستردهاي در 04 سال گذشته مورد بررسي قرار گرفتهاند روند دائمي حجم ز ياد بكارگيري شيوههاي نوين در انجام حملهها و بهبود قابليتهاي سختافزاري و نرمافزاري تحليل دادهها سبب شده تا رويكردهاي يادگيري ماشين بيشتر از هميشه براي رفع مسائل حوزه تشخيص نفوذ مورد توجه قرار بگيرند در حوزه يادگيري ماشين رويكردهاي يادگيري عميق توانستهاند كارايي خيلي خوبي را به نمايش بگذارند و موفق به حل مسائلي شدهاند كه هدف پژوهشهاي فعال در دهههاي اخير بوده است هدف از انجام اين پاياننامه بكارگيري رويكردهاي يادگيري عميق براي حل مسائل موجود در حوزه تشخيص نفوذ مبتني بر ناهنجاري و ارائه يك سيستم تشخيص نفوذ با كارايي مناسب است در اين پاياننامه نشان داده ميشود كه يادگيري عميق يكي از شيوههاي كارآمد در حوزه تشخيص نفوذ مبتني بر ناهنجاري است و قادر به بهبود كلي كارايي در مقايسه با ساير شيوههاي موجود است ارز يابي تجربي رويكرد ارائه شده بر روي مجموعه داده 51 UNSW NB صورت گرفته است نرخ تشخيص در اين ارز يابي 99 درصد و نرخ هشدار اشتباه 6 0 درصد است كلمات كليدي 1 سيستم تشخيص نفوذ مبتني بر ناهنجاري ۲ يادگيري عميق 3 51 4 UNSW NB حمله سايبري
چكيده انگليسي :
Anomaly based intrusion detection system using deep learning Mohsen Rajaei m rajaie@ec iut ac ir Date of Submission 2018 06 03 Department of Electrical and Computer Engineering Isfahan University of Technology Isfahan 84156 83111 Iran Degree M Sc Language FarsiSupervisor a fanian@cc iut ac irAbstract Nowadays systems and networks play a key role in human lives This role has made any threat and cyber attack more effective and destructive Along with the rapid growth of networks and computer systems threatfactors have improved the techniques and approaches used to perform their attacks On the other hand theconventional approaches of abnormal based detection systems have been widely studied based on machinelearning techniques over the past 40 years The continual process high volume applying modern methods inperforming attacks and improving hardware and software data analysis capabilities have led machine learningapproaches to overcome the issues of intrusion detection In a machine learning area the deep learningapproaches could exhibit high efficiency and be successful in solving those problems which were the aim ofactive researches in the recent decades The major goal of present research is to apply deep learning to solvethe existing issues in abnormality based intrusion detection area and present a highly efficient intrusiondetection system Also it is shown that deep learning is an efficient method in the field of anomaly basedintrusion detection and is able to improve efficiency over other existing methods The experimental evaluationof the proposed method has been done on UNSW NB15 dataset and the 99 detection rate and 0 6 falsealert rate have been obtained Keywords Anomaly based intrusion detection system Deep learning Cyber attack UNSW NB15
استاد راهنما :
علي قانيان
استاد داور :
مسعودرضا هاشمي
