شاهزاده فاضلی, سیدابوالفضل, قوه ندوشن, اعظم, زارع پور احمدآبادی, جمال. (1403). بهبود سرعت سیستم تشخیص نفوذ از طریق کاهش حجم داده‌ها با استفاده از DBSCAN مبتنی بر هسته. پدافند الکترونیکی و سایبری, 12(4), 89-102.
سیدابوالفضل شاهزاده فاضلی; اعظم قوه ندوشن; جمال زارع پور احمدآبادی. "بهبود سرعت سیستم تشخیص نفوذ از طریق کاهش حجم داده‌ها با استفاده از DBSCAN مبتنی بر هسته". پدافند الکترونیکی و سایبری, 12, 4, 1403, 89-102.
شاهزاده فاضلی, سیدابوالفضل, قوه ندوشن, اعظم, زارع پور احمدآبادی, جمال. (1403). 'بهبود سرعت سیستم تشخیص نفوذ از طریق کاهش حجم داده‌ها با استفاده از DBSCAN مبتنی بر هسته', پدافند الکترونیکی و سایبری, 12(4), pp. 89-102.
شاهزاده فاضلی, سیدابوالفضل, قوه ندوشن, اعظم, زارع پور احمدآبادی, جمال. بهبود سرعت سیستم تشخیص نفوذ از طریق کاهش حجم داده‌ها با استفاده از DBSCAN مبتنی بر هسته. پدافند الکترونیکی و سایبری, 1403; 12(4): 89-102.

بهبود سرعت سیستم تشخیص نفوذ از طریق کاهش حجم داده‌ها با استفاده از DBSCAN مبتنی بر هسته

پدافند الکترونیکی و سایبری
مقاله 8، دوره 12، شماره 4 - شماره پیاپی 48، زمستان 1403، صفحه 89-102    اصل مقاله (1.06 M)
نوع مقاله: مقاله پژوهشی
نویسندگان
سیدابوالفضل شاهزاده فاضلی* 1؛ اعظم قوه ندوشن2؛ جمال زارع پور احمدآبادی3
1دانشیار، دانشگاه یزد، یزد،ایران
2کارشناسی ارشد،دانشگاه یزد،یزد،ایران
3استادیار، دانشگاه یزد،یزد،ایران
چکیده
اینترنت اشیاء یک فناوری به‌سرعت در حال تکامل است که دستگاه‌های فیزیکی را از طریق سیستم‌های شبکه‌ای به هم متصل می‌کند. بااین‌حال، همان‌طور که اینترنت اشیاء به گسترش خود ادامه می‌دهد، چالش‌های امنیتی مختلفی را ایجاد می‌کند که نیازمند راه‌حل‌های مناسب برای محافظت از اطلاعات حساس و حریم خصوصی کاربران است. این مقاله بر روی بهبود سرعت سیستم تشخیص نفوذ به‌عنوان یک راه‌حل حیاتی برای امنیت اینترنت اشیاء تمرکز دارد. در سیستم‌های تشخیص نفوذ، وجود حجم زیاد داده موجب کاهش سرعت یادگیری می‌شود. در این مقاله، الگوریتم خوشه‌بندی DBSCAN با افزودن پارامتر حداقل همسایگی جهت کاهش هدفمند نمونه‌ها اصلاح شده است، که سعی در افزایش سرعت سیستم تشخیص نفوذ و کاهش زمان و هزینه یادگیری دارد. تنظیم پارامترهای DBSCAN اصلاح‌شده با الگوریتم ژنتیک انجام می‌شود. نتایج آزمایش‌ها بر روی مجموعه‌داده Kaggle و NSL_KDD نشان می‌دهد که مدل پیشنهادی قادر است با کاهش تا 80٪ از حجم داده‌ها، دقت طبقه‌بندی را برای مجموعه‌داده Kaggle بالای 96٪ و برای مجموعه‌داده NSL_KDD بالای 51/92٪ حفظ نماید. همچنین، زمان محاسبات برای مجموعه‌داده Kaggle از ms09/458 بهms 21/47 و برای مجموعه‌داده NSL_KDD ازms 2/995 بهms 60/223، کاهش‌یافته است. به این ترتیب، با وجود بهبود در سرعت و کاهش زمان و هزینه، عملکرد مطلوب مدل حفظ شده است.
کلیدواژه‌ها
اینترنت اشیاء؛ سیستم تشخیص نفوذ؛ الگوریتم درخت طبقه‌بندی و رگرسیون؛ DBSCAN؛ RN_DBSCAN؛ مجموعه داده Kaggle؛ مجموعه داده NSL_KDD
مراجع
آمار
تعداد مشاهده مقاله: 417
تعداد دریافت فایل اصل مقاله: 135