Download
slide1 n.
Skip this Video
Loading SlideShow in 5 Seconds..
كلاس بندی به عنوان ابزار PowerPoint Presentation
Download Presentation
كلاس بندی به عنوان ابزار

كلاس بندی به عنوان ابزار

156 Views Download Presentation
Download Presentation

كلاس بندی به عنوان ابزار

- - - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

  1. كلاس بندی به عنوان ابزار مسعود مشتاقی

  2. سرفصل موضوعات • معرفی آشكارسازی حمله • كلاس‌بندی به عنوان ابزار • مقدمه‌ای برشبكه‌های عصبی • مقدمه‌ای بر الگوريتم‌های ژنتیكی • مقدمه‌ای بر Support Vector Machines

  3. معرفی تشخيص حمله • انواع تشخيص حمله • تشخيص استفاده نادرست (Misuse Detection) • تشخيص حمله‌های شناخته شده به همراه تغييرات كوچك در آن‌ها • دقت در تشخيص حمله‌های شناخته شده • عدم تشخيص حمله ‌های ناشناخته • تشخيص رفتار غيرعادی (Anomaly Detection) • تشخيص فاصله گرفتن از رفتار عادی • تعداد هشدار بی‌مورد بالا (False Alarm) • توانایی تشخيص حمله‌های ناشناخته

  4. معرفی تشخيص حمله • دسته بندی سیستم‌های تشخيص حمله • براساس شبكه (Network Based) • تشخيص براساس رد داده‌های انتقالی در شبكه محلی (LAN) • نداشتن سربار برای سرورها • قابليت تشخيص دامنه محدود تری از حملات • براساس تك دستگاه (Host Based) • براساس بررسی رفتار كاربر يا كرنل سيستم • سربار اضافی بر روی دستگاه • از نظر تئوری قابليت تشخيص تقريبا“ تمام حمله‌ها را دارد

  5. كلاس بندی به عنوان ابزار[2] [1] • ابزارهای استفاده شده در تشخيص حمله • برخورد سيستم‌ ايمنی (Immune System Approach) • مدل پروسه‌ ماركوف (Markov process model) • مدل‌های بر اساس قانون(Rule-Based or Association Rule) • مدل بر اساس كلاس‌بندی (Classification)

  6. شبكه‌های عصبی

  7. مقدمه‌ای برشبكه‌های عصبی(ادامه)

  8. الگوريتم های ژنتيكی [2] • خصوصيات • يك روش بهينه سازی گام به گام جديد • تأكيد بر جنبه‌های تكامل طبيعی • ضعيف‌تراز روش‌های تحليلی • كاربرد • مسائلی كه با فضای حالت بزرگی سروكار دارند • مسايل بهينه سازی كه روشهای تحليلی برای آن ها موجود نمی باشد

  9. الگوريتم های ژنتيكی(ادامه) • اجزا مراحل • جمعيت • معيار و سنجش تناسب • انتخاب • تبادل (Crossover) • جهش (Mutation)

  10. الگوريتم SVM[5] • خصوصيات • قدرت بالا در مسائل كلاس‌بندی • پيدا كردن ابرصفحه بهينه جداكننده داده‌ها • افزايش بعد برای داده‌هايی كه قابليت جدا شدن به صورت خطی نيستند

  11. الگوريتم SVM(ادامه) • مشكل پيدا كردن صفحه بهينه • روش‌ Vapnik 1982 • روش بر اساس بهينه سازی برای داده‌هايی كه به صورت خطی جداپذيز هستند • روش حاشیه نرم (Soft Margin) برای داده‌هايی كه به صورت خطی جدا پذير نيستند • مشكل بزرگ شدن بعد در فضای • روشهای كرنلی (Kernel Methods)

  12. منابع • Daniel T. Larose : Discovering knowledge in data : an introduction to data mining . Published by John Wiley & Sons, Inc.2005 ISBN 0-471-66657-2 • Mehmed Kantardzic : Data Mining: Concepts, Models, Methods, and Algorithms. Published by John Wiley & Sons, Inc.2003 ISBN 0471228524 • Abraham Silberschatz : Database System Concepts fifth Edition, Ch. 18 Published by McGraw-Hill. 2006 ISBN 007-124476-X • Richard O. Duda : Pattern Classification . Published by John Wiley & Sons, Inc. 2000 ISBN 0476-05669-3 • Corrina Cortes, Veladimir Vapnik: Support Vector Networks,1995 Machine Learning • CHRISTOPHER J.C. BURGES,A Tutorial on Support Vector Machines for Pattern Recognition, Data Mining and Knowledge Discovery 1998