خانم ناهید پورسلیمان دانشجوی کارشناسی ارشد جناب آقایان دکتر محمدرضا جاهدمطلق و دکتر ناصرمزینی روز چهارشنبه27/7/90 ساعت 8 صبح در اتاق 304 واقع در طبقه سوم دانشکده کامپیوتر از پروژه کارشناسی ارشد خود تحت عنوان استفاده از آشوب در تشخیص ناهنجاری مبتنی بر سیستم های ایمنی مصنوعی دفاع خواهند نمود.

  چکیده پایان نامه:

  ازآنجاکه ناهنجاری در داده در بسیاری از کاربردها، به­منزله اطلاعات بحرانی و معنادار تلقی می­شود، لذا تشخیص ناهنجاری در یک مجموعه داده از اهمیت بسیاری برخوردار است. اما با توجه به چالش های موجود، تشخیص ناهنجاری درشکل کلی چندان ساده نبوده و روش­های موجود، نرخ تشخیص وهشدارغلط مطلوبی ندارند و یا با تعداد زیادی آشکارساز به این نرخ مطلوب دست می­یابند. این پایان­نامه، با الهام ازالگوریتم­های ایمنی مصنوعی سعی در توسعه یک مجموعه حداقل از آشکارسازهای بهینه برای پوشش موثر فضای غیرخودی دارد. روش پیشنهادی دارای دو فاز آموزش و تشخیص است. در فاز آموزش ابتدا با الهام از الگوریتم انتخاب منفی و از طریق فیلترینگ نمونه­ها با کیفیت پایین در سه­مرحله، تعدادی آشکارساز پایه در فضای مکمل تولید می­شود. سپس از فرآیند کلونینگ آشکارسازهای بهینه برای توسعه محلی فضای جستجو و از الگوریتم ژنتیک برای جستجوی سراسری فضای مکمل استفاده می­گردد. درهر مرحله دنباله آشوبناک به­عنوان مولد عدد تصادفی ایده­آل با هدف جستجوی سراسری و پوشش بهتر فضا و ایده شبکه ایمنی برای حذف آشکارسازها با همپوشانی بالا، جهت تولید آشکارسازهای کمتر و متنوع­تر مطرح می­شود. در فاز تشخیص، براساس سیستم تشخیص پیشنهادی تصمیم مناسبی در راستای نرمال یا غیرنرمال بودن یک نمونه تستی گرفته می­شود. از مزیت­های دیگر روش می­توان، به استفاده از تنها نمونه­های نرمال در فاز آموزش، استفاده از تنها یک دنباله آشوبناک برای تولید نمونه­های تصادفی با هر تعداد خصیصه و جلوگیری از تولید آشکارسازهای تکراری و بسیار کوچک اشاره نمود. از جمله معایب روش پیشنهادی، نقش کلیدی آستانه انطباق در کارایی و عدم وجود مکانیزم موثر برای تعیین مقدار بهینه پارامترها ست. آزمایشات انجام­شده روی مجموعه داده­ ساختگی Cross_mid و مجموعه داده­های واقعی Iris و NSLKDD نشان می­دهد که این روش در مقایسه با روش­های ایمنی دیگر، دارای نرخ هشدار غلط پایین­تر بوده و از نظر تعداد آشکارسازها در فاز تشخیص برآنها برتری دارد.

  واژه‌های کلیدی: تشخیص ناهنجاری، انتخاب منفی، انتخاب کلونی، شبکه ایمنی، دنباله­های آشوبناک.

  Abstract:

 Since anomay in data in most of the applications is been indicated as critical and meaningful data,so anomaly detection in a data set is so important.But according to available challenges,anomaly detection isn’t easy and available methods don’t have desirable detection rate and false alarm rate or they might gain this desirable rate with a lot of detectors.This thesis tries to expand a minimum set of ideal detectors for effective coverage of nonself space with the inspiration of artificial immune algorithms.The recommended method has two phase of learning and detection.In learning phase,first with the inspiration of negative selection algorithm and by filtering low quality samples in three stages,some basical detectors in complement space is been created.Then coloning process of ideal detectors for local expansion of search space and genetic algorithm for global search of complement space is been used.In each stage chaotic sequence is been mooted as ideal random number generator with the goal of global search and better space coverage and idea of immune network to omit high overlapping detectors,in order to produce less and more various detectors.In detection phase,according to suggestive detection system,a suitable decision is been made through normality or abnormality of a test sample.Other advantage of the method is the usage of only repetitious and very small detectors.Disadvatages of suggestive method are the key role of matching thereshold in performance and lack of an efficient mechanism for determining the optimal value for parameters.Experiments have been done on synthetic data set “cross_mid” and real datasets “Iris”and”NSLKDD”show that this method has lower false alarm rate in comparison with other immune methods and it’s number of detectors in detection normal samples in learning phase,only one chaotic sequence to produce random samples with each number of features and prevention of producing

 phase,is less than those.

  Keywords:

  Anomaly Detection,Negative Selection,Clonal Selection,Immune Network, Chaotic Sequences

  ارائه­دهنده:

ناهید پورسلیمان

  اساتید راهنما:

  دکتر محمدرضا جاهد مطلق - دکتر ناصر مزینی

  استاد ممتحن داخلی : دکتر احمد اکبری

  استاد ممتحن خارجی :دکتر بابک نجار اعرابی

  زمان : چهارشنبه 27مهر1390

  ساعت 8 صبح

  مکان: دانشکده مهندسی کامپیوتر- طبقه سوم- اتاق 304

  از اساتید بزرگوار، دانشجویان گرامی و دیگر متخصصان و علاقه مندان به موضوع دفاعیه دعوت
می شود با حضور خود موجبات غنای علمی و ارتقای کیفی را فراهم سازند.

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی