كشف ناهنجاري‌هاي شبكه با استفاده از يك SVM خطي

Data mining via SVM

با پيشرفت علم و افزايش حجم ارتباطات، ضرورت دسترسي امن و به شبكه و اطلاعات پيش از پيش احساس مي شود، شبكه بستر بسيار مناسبي است كه در هنگام انتقال و يا ذخيره سازي داده ها در معرض حمله قرار گيرد و در زمان انتقال داده ها باعث شكل گيري ناهنجاري مختلف در بين داده ها مي شود. از اين رو تجزيه و تحليل داده ها براي تشخيص داده هاي پرت و داده هاي مشكل دار بسيار پر اهميت مي باشد، از اين رو محققان تمركز بسيار زيادي را بر روي كشف نفوذ و تشخيص ناهنجاري در شبكه انجام داده اند، محبوب ترين روش ها استفاده از تكينك هاي داده كاوي جهت تشخيص داده هاي پرت است، در ادامه پژوهش ها پيرامون استفاده از روش هاي داده كاوي، روش هاي تركيبي براي پوشش نقاط ضعف روش هاي ديگر توسعه داده شده اند. در پژوهش روبرو با استفاده از يك روش تركيبي جهت رفع نقاط ضعف روش كشف ناهنجاري توسط الگوريتم ماشين بردار پشتيبان از يادگيري عميق جهت بهبود انتخاب ويژگي ها استفاده مي شود. داده هاي استفاده شده در اين پژوهش داده هاي استاندارد KDD است. در نهايت روش پيشنهادي از نظر سرعت و دقت با ديگر روش ها مورد مقايسه قرار مي گيرد.