فایل های مشابه شاید از این ها هم خوشتان بیاید !!!!
توضیحات محصول دانلود پاورپوینت مقدمه اي در مورد نفوذ و سيستمهاي تشخيص نفوذ (کد13052)
دانلود پاورپوینت مقدمه ای در مورد نفوذ و سیستمهای تشخیص نفوذ
\nاستفاده از روشهای داده کاوی در تشخیص نفوذ به شبکه های کامپیوتری
\n\n عنوان های پاورپوینت :
\n\nمقدمه ای در مورد نفوذ و سیستمهای تشخیص نفوذ
\nاستفاده از روشهای داده کاوی در تشخیص نفوذ به شبکه های کامپیوتری
\nعناوین مورد بحث
\nمقدمه
\nسیستم های تشخیص نفوذ ( IDS )
\nداده کاوی و کاربرد آن در کشف نفوذ
\nتکنیک ها داده کاوی و الگوریتم های آن
\nالگوریتم های بررسی شده
\nگام های انجام تحقیقات
\nمجموعه داده
\nشمایی از شبکه ایجاد شده برای جمع آوری داده های KDD99
\nچهار دسته حمله در KDD99
\nانتخاب روش برچسب گذاری
\nانتخاب معیار های ارزیابی کارائی
\nنحوه نمایش نتایج
\n\n \n\n \n\n
\n\nقسمت ها و تکه های اتفاقی از فایل\n\n \n\nداده کاوی و کاربرد آن در کشف نفوذ\n\nتکنیک ها داده کاوی و الگوریتم های آن\n\nتکنیک های آماری\n\nاز تکنیکهای آماری به عنوان روشهای یادگیری بالا به پائین نامیده یاد میشود، این تکنیک ها در مواردی که ایده کلی در مورد روابط مورد نظر وجود دارد، به کار میآیند و تواسط آنها میتوان از روشهای محاسبات ریاضی برای جهت دهی به جستجوهای خود استفاده کرد. \n\nیاد گیری ماشین\n\n تکنیکهای یادگیری ماشین در شرایطی مناسب است که هیچ گونه دانش اولیه در مورد الگوهای داده ها وجود ندارد؛ به همین دلیل گاهی به این روشها پائین به بالا میگویند \n\nمزیت مهم : معمولا به انسانهای خبره برای تعیین ملزومات مورد نظر به منظور تشخیص نفوذ نیازی نیست به همین دلیل بسیار سریع عمل کرده و مقرون به صرفه هستند. \n\nتکنیک های یادگیری ماشین در داده کاوی به طور کلی به دو دسته Unsupervised و Supervised تقسیم بندی میشوند. \n\nالگوریتم های بررسی شده\n\nگام های انجام تحقیقات\n\nمجموعه داده\n\nمجموعه داده (KDDCup99 (1\n\nKDD99 :این مجموعه داده به عنوان یک دادهی استاندار برای ارزیابی سیستم های تشخیص نفوذ\n\n پذیرفته شده و مورد استفاده قرارگرفته است. این داده اعتبار خود را از سومین مسابقه بین الملی کشف دانش و داده کاوی کسب کرده است.\n\nدارای 41 خصیصه است ( Basic-Content-Time based- Connection based )\n\nSystem Call Trace Data set دانشگاه نیو مکزیکو (2)\n\nمجوعه داده (Solaris (3\n\nMOAT-packet trace file دانشگاه ملبورن استرالیا \n\nAuckland II –packet trace file دانشگاه ملبورن استرالیا\n\nمجموعه داده Virus files دانشگاه کلمبیا (4)\n\nشمایی از شبکه ایجاد شده برای جمع آوری داده های KDD99\n\nچهار دسته حمله در KDD99\n\nDoS: در این حمله منابع سیستم بیش از حد مورد مصرف قرارمیگیرد و باعث میشود که درخواست های نرمال برای در اختیار گرفتن منابع، رد شود. \n\nR2L: در حمله از نوع R2L حمله کننده با نفوذ غیر مجاز از راه دور، به ماشین قربانی، شروع به سوء استفاده از حساب قانونی کاربر کرده و اقدام به ارسال بسته بر روی شبکه میکند. \n\nU2R: این نوع حمله ها به طور موفقیت آمیزی در ماشین قربانی اجرا میشوند و ریشه را در اختیار میگیرند.\n\nProbing: در این نوع از حمله های کامپوترها برای جمع آموری اطلاعات و یا یافتن قابلیت های آسیب پذیری شناخته شده پویش می شوند.\n\nانتخاب روش برچسب گذاری\n\nروش مبتنی بر شمارش: (Count Based )\n\nدر این روش، خوشه هایی که دارای تعداد کمی از رکورد ها هستند به عنوان حمله، برچسب گذاری شده و سایر خوشه ها دربر گیرنده رکوردهای نرمال هستند این روش از روشهای متداول در برچسب گذاری خوشهها است.\n\nروش مبتنی بر فاصله: ( Distance Based )\n\n در این روش خوشه هایی که از سایر خوشه ها جدا افتاده اند و فاصله آنها از سایر خوشه ها زیاد است به عنوان خوشه های غیر نرمال و یا حمله تلقی میشوند و خوشه های نزدیک به هم شامل داده های نرمال هستند. \n\nانتخاب معیار های ارزیابی کارائی\n\nبرای ارزیابی و مقایسه کارائی الگوریتم ها از دومعیار استفاده شده است. این معیارها نرخ کشف (DR) و نرخ مثبت کاذب (FPR) هستند که پس از تشکیل ماتریس پراکندگی برای خوشه ها به راحتی قابل محاسبه هستند. \n\nDR\n\nنحوه نمایش نتایج \n\nمقایسه کارائی بین الگوریتم ها \n\nکارائی الگوریتم در آموزش مدل و اجرا بر روی مجموعه داده تست\n\nکارائی الگوریتم ها در تشخیص چهار دسته حمله ها \n\nآموزش 8020 تست 8020\n\nآموزش 8020 تست 9604\n\nآموزش 9604 تست 8020\n\nآموزش 9604 تست 9604\n\n( DR V.S FPR ROC diagram with )\n\n \n\n \n\n30 تا 70 درصد پروژه | پاورپوینت | سمینار | طرح های کارآفرینی و توجیهی | پایان-نامه | پی دی اف مقاله ( کتاب ) | نقشه | پلان طراحی | های آماده به صورت رایگان میباشد ( word | pdf | docx | doc )
