شریف پژوه

پیاده سازی مقاله: تشخیص جرایم سایبری در ارتباطات برخط با رویکرد داده کاوی

چکیده:

پیاده سازی مقاله: روش جدید تشخیص فیشینگ مبتنی بر ترکیب الگوریتم پنگوئن و داده کاوی

چکیده:

با دسترسی آسان به اینترنت، بسیاری از کسب و کارها فعالیت های خود را در شبکه های وابسته به اینترنت انجام می دهند. اما هموره مخاطرات امنیتی از جمله حملات فیشینگ این کسب و کارها را تهدید می کنند. تعدد ویژگی های صفحات وب، منجر به استفاده از روش های انتخاب ویژگی و ترکیب آنها با روش های یادیگیر به منظور تشخیص فیشینگ شده است. عملکرد مناسب الگوریتم فرا ابتکاری پنگوئن در یافتن پاسخ بهینه، ایده اصلی این مقاله جهت بررسی نحوه عملکرد این الگوریتم در مسئله تشخیص فیشینگ بوده است. بنابراین از تریکب الگوریتم پنگوئن در فاز انتخاب ویژگی با شبکه عصبی مصنوعی در فاز تشخیص فیشینگ استفاده شده است. برای آموزش و ارزیایی روش پینشهادی از یک مجموعه داده با 11055 نمونه وبسایت های فیشینگ و عادی استفاده شده است. نتایج پیاده سازی در محیط متلب نشان می دهد با افزایش اندازه جمعیت و تعداد تکرار در الگوریتم بهینه سازی پنگوئن، مقدار متوسط تابع انتخاب ویژگی 69.57%، و شاخص RMSE حدود 24.56% کاهش یافته است. همچنین روش پیشنهادی در مقایسه با شبکه عصبی مصنوعی چند لایه حدود 29.16% خطای کمتر در تشخیص فیشینگ را نشان می دهد.

پیاده سازی مقاله: ارائه یک الگوریتم جهت بهبود الگوریتم k-means

چکیده:

پیاده سازی مقاله: ایجاد مدل برای تشخیص بیماری مزمن کلیه با استفاده از الگوریتم های ماشین بردار پشتیبان، جنگل و درخت تصمیم

چکیده:

امروزه بیماری مزمن کلیه یکی از مهمترین بیماریهای رایج بین افراد جامعه بخصوص بزرگسالان است. این بیماری در واقع نوعی مرگ خاموش محسوب میشود زیرا این بیماری از دسته بیماریهای مزمن است و یکباره فرد به این بیماری مبتلا نمی شود و ممکن است، سالهای سال مبتلا به این بیماری باشد بدون اینکه کوچکترین علائمی از خود نشان دهد و زمانی علائم خود را بروز دهد که به بدترین وضعیت بیماری برسد و منجر به خطر افتادن جان بیمار یا صرف هزینه های بسیاری برای دیالیز یا پیوند کلیه های بیمار شود. هدف این پژوهش ارائه مدل هوشمند برای کمک به شناسایی و تشخیص بیماری کلیه با استفاده از روشها و الگوریتم های یادگیری ماشین و داده کاوی برروی مجموعه داده کلیه دانشگاه کلیولند کالیفرنیا است. در این تحقیق برای ساخت مدل پیشبینی در ابتدا مجموعه داده اصلی را به دو مجموعه داده آموزش/ ارزیابی و مجموعه داده آزمایش تقسیم کردیم. به کمک مجموعه داده آموزش/ارزیابی با استفاده از روش اعتبار سنجی متقابل fold-10 و الگوریتم های درخت تصمیم، جنگل تصادفی و ماشین بردار پشتیبان مدل را ایجاد کرده و دقت نهایی مدل در این پژوهش را به کمک مجموعه داده آزمایش ارزیابی کرده ایم. در انتها نتایج بدست آمده با الگوریتم های جنگل تصادفی و ماشین بردار پشتیبان با دقت های 89,98 %بالاترین دقت را دراین پژوهش حاصل کرده است.

پیاده سازی مقاله: تشخیص بیماری دیابت با استفاده از تکنیک داده کاوی و شبکه عصبی

چکیده:

استخراج اطلاعات و کشف الگوهای پنهان از پایگاه داده های تا اندازه بسیار بزرگ داده کاوی نامیده می شود. الگوها و اطلاعات معمولا به شکل پنهانی در داده ها نهفته هستند و به سادگی خود را نشان می دهد. استخراج این داده ها یکی از کاربردهای اصلی داده کاوی است. روش کشف الگوهای پنهان که تاثیر مهمی در کشف و تشخیص بیماری ها دارد به طور معمول به کمک داده کاوی امکان پذیر است. در داده کاوی حجم زیادی از اطلاعات بیماران بررسی می شود و الگوهای مفید و پنهان آن کشف می شود. تشخیص به موقع بیماری دیابت یکی از روش های کنترل و درمان آن محسوب می شود. در این مقاله با استفاده از تکنیک داده کاوی و به کارگیری یک روش ابتکاری شامل ترکیب شبکه عصبی با الگوریتم هوش دسته جمعی ذرات، یک سیستم دقیق برای تشخیص بیماری دیابت ارایه می شود. یکی از ویژگی های مهم روش پیشنهادی استفاده از مجموعه داده استاندارد Pima پس آنچه شبکه عصبی و تشخیص بیماری دیابت است. در این روش همراه با آموزش شبکه عصبی از الگوریتم هوش دسته جمعی ذرات جهت تعیین بهینه تر اوزان شبکه عصبی استفاده می شود تا یک مدل پیش بینی بیماری دیابت دقیق ساخته شود. روش پیشنهادی پس معیار دقت، ویژگی و حساسیت با سه تکنیک معتبر تشخیص بیماری دیابت شامل رگرسیون، شبکه عصبی مصنوعی و درخت تصمیم گیری مورد ارزیابی قرار می گیرد و همان طور که نتایج شبیه سازی نشان می دهد و هر سه معیار عملکرد بهتری دارد و تا حدود خیلی زیادی منطبق بر مدل واقعی می باشد. به طوری که بیشترین مقدار دقت، ویژگی و حساسیت در روش پیشنهادی با تعداد 50 آزمایش مختلف به ترتیب 94.1% ، 92.88% و 92.12 می باشد.

پیاده سازی مقاله: روشی جهت تشخیص بدافزار با استفاده از الگوریتم های داده کاوی و هوش مصنوعی

چکیده:

بدافزار به هرگونه برنامه کامپیوتری اطلاق می شود که دارای اهداف مخرب باشد. این برنامه ها مهمترین تهدید برای سیستم هایکامپیوتری به حساب می آیند. تنوع این بدافزارها باعث محدود شدن راه کارهای مقابله با آنها شده است، به گونه ای که روزانه میلیون ها سیستمکامپیوتری بر اثر آسیب های ناشی از انواع ویروس ها، تروجان ها و کرم های اینترنتی و غیره آلوده می شوند. در سال های اخیر یکی از مهمترینچالش های امنیت اطلاعات و شبکه های ارتباطی، افزایش روز افزون انواع بدافزارها و به دنبال آن یافتن راه های مناسب جهت حفاظت سیستم ها درمقابل آنهاست که از مهمترین دغدغه های برنامه نویسان و متخصصین امنیت اطلاعات، شناخت به موقع و یافتن راه های مقابله با اثرات مخرباینگونه بدافزارها می باشد. در این راستا طی سالهای اخیر استفاده از الگوریتم های داده کاوی و هوش مصنوعی بعنوان یکی از روشهای نوظهور وامیدوار کننده توانسته است کاربرد بسیاری جهت شناسایی و تشخیص انواع بدافزارها داشته باشد. لذا در این تحقیق سعی کردیم با استفاده ازشبکه عصبی مصنوعی و الگوریتم ازدحام ذرات، فایل های آلوده به بدافزار را تشخیص دهیم. پیاده سازی روش پیشنهادی نشان میدهد که توانستهاست فایل های آلوده به بدافزار را با استفاده از مجموعه داده مربوط به فایل های سالم و آلوده به بدافزار با دقت 0.91 درصد تشخیص دهد که نشان ازعملکرد بالای آن دارد.

پیاده سازی مقاله: بکارگیری تکنیک های داده کاوی در تشخیص و پیش بینی کلاهبرداری بانکی

چکیده:

با گسترش روز افزون استفاده از سامانه های نوین بانکی و افزایش تعداد عملیات بانکی، سوء استفاده های مالی و تقلب در این عملیات بیشاز پیش گسترش پیدا کرده است. اینگونه سوء استفاده ها علاوه بر اتلاف منابع مالی، باعث کاهش اعتماد مشتریان به استفاده از سامانه های نوینبانکی و در نتیجه کاهش اثر بخشی این سامانه ها در مدیریت بهینه ی سرمایه و تراکنش های مالی می شود. در این پژوهش جهت کشف تقلببانکی بر روی مجموعه داده های بانکی ، از ترکیب الگوریتم های داده کاوی استفاده شده است. برای انجام کار در ابتدا، خوشه بندی رکوردهای دادهای موجود در مجموعه داده ها صورت گرفته است و به دنبال آن، تشخیص تراکنش های بانکی شبهه دار، در زمان انجام تراکنش تشخیص داده میشود. نتایج حاصل نشان می دهد که روش پیشنهادی دارای میزان دقت بالاتری نسبت به الگوریتم های داده کاوی دیگر همچون درخت تصمیم J48و جنگلهای تصادفی دارد.

پیاده سازی مقاله: تشخیص نفوذ در شبکه های کامپیوتری مبتنی بر سیستم های فازی و الگوریتم جستجوی ممنوعه

چکیده:

 با توجه به گسترش و توسعه سریع شبکه های کامپیوتری، نفوذ و حملات به آن ها افزایش یافته و به طرق و شیوه های مختلف انجام می شود. هدف از تشخیص نفوذ برای شناسایی استفاده غیرمجاز، سوء استفاده، و آسیب پذیری های ایجاد شده توسط کاربران داخلی و مهاجمان خارجی است. در این مقاله قصد داریم که سیستم تشخیص نفوذ از نوع سوء استفاده مبتنی بر سیستم فازی و الگوریتم جستجوی ممنوعه را ارائه کنیم. در ابتدا دانش موردنیاز خود را از سیستم فازی که مجموعه ای از قوانین if-then است، را کسب کرده و سپس الگوریتم جستجوی ممنوعه برای بهینه کردن مجموعه قوانین به دست آمده را بر روی مجموعه داده NSL-KDD پیاده و اجرا نمودیم. نتایج به دست آمده در مقایسه با نتایج موجود حاکی از آن است که روش پیشنهادی از صحت و کارایی مناسبی برخوردار است.

پیاده سازی مقاله: ارایه یک روش انتخاب ویژگی جدید با بکارگیری الگوریتم رقابت استعماری در راهکار فیلتر

چکیده:

 با پیشرفت تکنولوژی در زمینه داده کاوی، مجموعه های دادهای با ابعاد بالا در حال افزایش است که در آن بسیاری ازویژگیها بی ربط و زاید هستند و منجر به کاهش کارایی الگوریتم های دسته بندی میشود؛ بنابراین، کاهش ابعاد این مجموعه های دادهای تبدیل به یک تلاش ضروری شده است. انتخاب ویژگی یک تکنیک رایج برای غلبه بر این مشکل است که هدف آن، شناسایی زیرمجموعه ای از ویژگیهای مفید از بین مجموعه ویژگیهای اولیه برای بهبود عملکرد طبقه بندی است. در این مقاله، روش جدیدی برای انتخاب ویژگی مبتنی بر راهکار فیلتر به نامSimRelICA ارایه میشود. در روش پیشنهادی با بکارگیری الگوریتم رقابت استعماری چارچوبی ارایه شده که فرآیند انتخاب ویژگی را مستقل از هر طبقه بندی کننده، انجام میدهد. در ابتدا، هر کشور با استفاده از یک شکل جدید، بازنمایی میشود. سپس با توجه به این بازنمایی،روش جدیدی برای تولید جمعیت اولیه پیشنهاد شده است. در طی یک فرآیند تکرارشونده، روش پیشنهادی یک زیرمجموعه ویژگی مناسب را انتخاب میکند که در آن از تابع هزینه جدید برای محاسبه هزینه هر کشور استفاده شده است. این تابع هزینه به شکلی ارایه شده است که مناسب بودن هر ویژگی را ارزیابی میکند. عملکرد روش پیشنهادی با روشهای انتخاب ویژگی شناخته شده، با استفاده از طبقه بندی کنندههای مختلف مقایسه شده است. نتایج آزمایشها نشان از برتری روش پیشنهادیSimRelICA به لحاظ دقت طبقهبندی، بر روشهای انتخاب ویژگی موجود دارد. همچنین نتایج نشان میدهد که با توجه به مستقل بودن روش پیشنهادی از طبقه بندی کننده، عملکرد مناسبی بر روی طبقه بندی کننده های مختلف داشته است.