شبیه سازی آموزشی کشف نفوذ شبکه بر اساس شبکه حافظه کوتاه مدت کانولوشنال با پایتون + بهبود

توضیحات

شبیه سازی آموزشی کشف نفوذ شبکه بر اساس شبکه حافظه کوتاه مدت کانولوشنال با پایتون + بهبود

چکیده مقاله:

هدف مدل تشخیص نفوذ شناسایی حملات غیرعادی در شبکه به طور موثر است که یک اقدام مهم در حفاظت از امنیت شبکه است. با توجه به اینکه مدل‌های تشخیص نفوذ سنتی استخراج ویژگی‌های مرتبه بالا از داده‌های ترافیک شبکه دشوار است، یک مدل تشخیص نفوذ مبتنی بر شبکه حافظه کوتاه‌مدت کانولوشنی پیشنهاد شده‌است. این مدل عملیات پیچیدگی در یادگیری عمیق را در ساختار شبکه حافظه کوتاه مدت معرفی می کند، بنابراین می تواند به طور موثر ویژگی های مکانی و زمانی داده های ترافیک شبکه را استخراج کند، پیچیدگی محاسباتی را کاهش دهد و دقت تشخیص نفوذ را بهبود بخشد. اول، پردازش نرمال سازی و کدگذاری One-Hot برای ویژگی های داده پیچیده و متنوع انجام می شود. سپس، اطلاعات مکانی-زمانی مرتبه بالاتر در ویژگی های داده بر اساس شبکه حافظه کوتاه مدت کانولوشنی استخراج می شود. در نهایت، مدل بهینه با اعتبار متقاطع و اصل تک متغیر تعیین می شود و سپس به تشخیص نهایی دست می یابد. در مقایسه با سایر مدل‌های تشخیص نفوذ پیشرفته، نتیجه‌گیری می‌شود که این مدل دارای مزایایی در جنبه‌های شاخص کلی تشخیص نفوذ، شاخص تشخیص انواع مختلف، و شاخص ارزیابی AUC است.

امنیت شبکه ، مدل تشخیص نفوذ، یادگیری عمیق، شبکه حافظه کوتاه مدت کانولوشنال، کدگذاری One-Hot، عادی سازی

مقدمه

امنیت اینترنت یک وظیفه اساسی و چالش برانگیز تحت توسعه سریع 5G، اینترنت اشیا، اینترنت موبایل و سایر فناوری های ارتباطی است. بنابراین، پیشنهاد یک اقدام امنیتی جدید برای امنیت شبکه است [1-3]. تشخیص شناسایی یکی از مهم‌ترین موارد در حوزه امنیت اینترنت است و مطمئناً در شرایط جدید توجه بیشتری خواهد شد. ارزیابی‌ً مدل ارزیابی و طبقه‌بندی با جمع آوری اطلاعات کلیدی در محیط شبکه ایجاد می‌کند و سپس قضاوت می‌کند که آیا دسترسی به شبکه غیرعادی است یا خیر. در زمینه کاربردهای صنعتی، تشخیص نفوذ [4] قدرتمندی برای روش های حفاظت سنتی از شبکه های امنیتی، مانند فایروال ها و آنتی ویروس ها است و می تواند یکپارچگی سیستم و امنیت داده هاست های کلیدی را در شبکه های به طور کامل تضمین کند. انجام پروژه پایتون

در سال‌های اخیر، الگوریتم‌های زیادی در زمینه تشخیص وجود وجود دارد که می‌توان آن‌ها را به صورت تقریبی به پنج دسته تقسیم کرد: الگوریتم‌های تعریف‌شده نرم‌افزار [5][6]، الگوریتم‌های طبقه‌بندی شده در تصمیم [7][8]، الگوریتم‌های ایجاد شده بر خوشه. [9] 10]، الگوریتم‌های ماشین [11][12]، الگوریتم‌های شبکه عصبی [13][14] و غیره. این الگوریتم‌ها تشخیص نفوذ در محیط شبکه را تا حد معینی بهبود بخشیده‌اند، با این هرکدام دارای نقص‌هایی هستند [15]. به عنوان مثال، الگوريتم طبقه بندي تصميمات چندين در مدل است، اما يك مشكل برازش جدي وجود دارد، كه مي تواند مطمئن باشد كه تصميم گيري مطمئن است. الگوریتم‌های ماشین‌های کارایی بهتری در نمونه‌های کوچک دارند، اما ویژگی‌های سطوح بالای داده‌ها هستند. الگوریتم‌های بهینه‌سازی عادات هوشمند مربوط به موجودات مختلف در طبیعت را شبیه‌سازی می‌کنند، اما زمانی که انحراف ویژگی‌های حمله زیاد باشد، عملکرد ضعیفی دارد. با این، مهم می‌تواند ویژگی‌های ویژگی‌های بالا را بررسی کند و رابطه بین ویژگی‌ها را با بازده نسبتاً بالا و دقت تشخیص کشف کند.

روش پیشنهادی:
در مقاله هدف از روش ترکیبی LSTM – CNN استفاده شده که روش بسیار قدیمی در این زمینه است و
خروجی آن نیز به شدت ضعیف می باشد. روش پیشنهادی شامل استفاده از Residual LSTM و Auto feature generation است.
ابتدا داده های دیتاست KDD99 به دو قسمت تست و آموزش تقسیم می شوند سپس داده های دسته ای
با استفاده از کد گذازی ordinal ب ه عدد تبدیل می شوند از آنجایی که شبکه یک لایه AFE دارد پس نیازی
به استفاده از one hot encoder نمی باشد، سپس تمامی ورودی ها با استفاده از تبدیل حداکثر حداقل
به برد [0 1] تبدیل می شوند در نتیجه هیچ گونه مهندسی داده ای روی دیتاست انجام نمی شود و تمام
فرآیند استخراج ویژگی بر عهده شبکه عصبی خواهد بود.
در ساختار شبکه عصبی از یک لایه 1d Conv به عنوان AFE استفاده شده که عمق ویژگی های ورودی
را به 256 می رساند سپس دو لایه شبکه residual bi directional LSTM روی خروجی AFE پیاده
سازی می شوند این لایه ها در هر مرحله ابعاد پنهان برابری دارند در نهایت در خروجی با یک تبدیل خطی
نوع حمله را مشخص می کند که از آرایش many to one ا ستفاده خواهد کرد. ساختار به شکل زیر خواهد
بود:

شبیه سازی آموزشی کشف نفوذ شبکه بر اساس شبکه حافظه کوتاه مدت کانولوشنال با پایتون + بهبود توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.

• فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.