ارائه يك روش تركيبي طبقه بندي-فراابتكاري به منظور شناسايي نفوذ و رفتارهاي مخرب

A combined classification-metaheuristic method to detect intrusion and malicious behavior

در اين مقاله يك روش مقياس‌پذير براي تشخيص داده‌هاي مخرب ارائه‌شده است. روش معرفي‌شده شامل سه مشخصه پيشرفت زماني، مرور كاربران و مقياس‌پذيري با كاربرد در حوزه داده‌هاي كلان است. روش پيشنهادي براي آموزش داده‌ها، زمان را به بازه‌هاي زماني تقسيم نموده و اطلاعات مروري كاربران در هر بازه زماني بهره‌برداري و مورداستفاده قرار مي‌گيرد. اين روش تركيب‌شده متشكل از نرم‌افزار و سخت‌افزار براي تشخيص داده‌هاي مخرب و استخراج ويژگي است. براي طبقه‌بندي درروش پيشنهادي از الگوريتم ماشين بردار پشتيبان تغييريافته و براي پيش‌بيني از الگوريتم هاي باكتري و سيستم ايمني بدن استفاده‌شده است. نتايج حاصل از اين پژوهش نشان مي‌دهد روش پيشنهادي در مقايسه با ساير روش‌هاي مرسوم براي داده‌هاي كلان داراي دقت 97.2 درصد است.

In this article, an identification method for detecting malicious data is presented. The introduced method includes three characteristics of time progress, user review and identifiability with application in the field of big data. The proposed method for training data divides time into time intervals and users browsing information in each time interval is used. It is a combined method of software and hardware for malicious data detection and feature extraction. For classification in the proposed method, the modified support vector machine algorithm is used, and for prediction, algorithms and the immune system are used. The results of this research show that the proposed method has an accuracy of 97.2% compared to other conventional methods for big data.