مقايسه سه الگوريتم درخت تصميم،نزديك ترين همسايه وشبكه¬هاي عصبي براي تشخيص كاربردهاي پنهان¬نگار در جريان ترافيك شبكه اينترنت (مطالعه موردي:تشخيص نرم¬افزار تور وسايفون)

با توجه به استفاده روز افزون ازشبكه اينترنت ولزوم وجود ابزارهايي جهت كنترل ومديريت ترافيك شبكه¬ها ونيز پيدايش مداوم كاربردهايي كه با استفاده از تكنيك هايي بديع وپيچيده¬ي مبهم سازي قصد فريب اين ابزارها رادارند، طراحي دقيق سيستم هاي شناسايي ودسته بندي كاربردهاي مختلف شبكه ازاهميت زيادي برخوردار است. در محيط هاي جديد ارتباطي و باتوجه به تغيير ترافيك ابزارها به صورت مبهم و رمز شده، روش هاي پيشين اين حوزه (با استفاده از شماره درگاه و محتوا) كارايي خود را از دست داده اند. در اين راستا ارائه روش هاي مبتني بر يادگيري ماشين و استفاده از ويژگي هاي آماري جريان ها، پيشرفت هاي قابل ملاحظه اي در اين حوزه ايجاد كرده است كه كارايي هر چه بيشتر اين دسته از روش ها را تضمين مي كند. هدف اين پايان نامه طراحي وپياده سازي يك الگوريتم بهينه وكارا جهت شناسايي ودسته بندي ترافيك شبكه، مبتني بر تكنيك هاي يادگيري ماشين واستخراج ويژگي است. ساخت چنين سيستمي شامل سه مرحله است: مرحله اول مربوط به ساخت مجموعه داده ومرحله دوم شامل اقدامات پيش پردازشي ازقبيل انتخاب ويژگي است. در مرحله سوم يعني مرحله پردازش اصلي از الگوريتم¬هاي درخت تصميم،K¬_نزديك ترين همسايه از الگوريتم¬هاي يادگيري ماشين و پرسپترون چند لايه كه يكي از الگوريتم¬هاي شبكه هاي عصبي است استفاده شده است. در اين پژوهش ازدو نرم افزار پنهان¬نگارTOR وPSIPHON براي تست الگوريتم استفاده كرديم.بهترين نتايج نشان از دقت 99.8درصدي براي تشخيص نرم¬افزار PSIPHON با استفاده از الگوريتم C4.5 ودقت تشخيص 99.6 درصد براي نرم¬افزار TOR با استفاده از شبكه عصبي mlp داشت.به طور ميانگين الگوريتم C4.5 دقت بالاتري نسبت به دو الگوريتم ديگر دارد.