11325

11325

استفاده از آشوب در تشخيص ناهنجاري مبتني بر سيستم هاي ايمني مصنوعي

كارشناسي ارشد

كامپيوتر - هوش مصنوعي و رباتيك

مهرماه 1390

مهرماه 1390

دكتر محمدرضا جاهد مطلق - دكتر ناصر مزيني

چكيده ازآنجاكه ناهنجاري در داده در بسياري از كاربردها، به¬منزله اطلاعات بحراني و معنادار تلقي مي-شود، لذا تشخيص ناهنجاري در يك مجموعه داده از اهميت بسياري برخوردار است. اما با توجه به چالش هاي موجود، تشخيص ناهنجاري درشكل كلي چندان ساده نبوده و روش¬هاي موجود، نرخ تشخيص وهشدارغلط مطلوبي ندارند و يا با تعداد زيادي آشكارساز به اين نرخ مطلوب دست مي-يابند. اين پايان¬نامه، با الهام ازالگوريتم¬هاي ايمني مصنوعي سعي در توسعه يك مجموعه حداقل از آشكارسازهاي بهينه براي پوشش موثر فضاي غيرخودي دارد. روش پيشنهادي داراي دو فاز آموزش و تشخيص است. در فاز آموزش ابتدا با الهام از الگوريتم انتخاب منفي و از طريق فيلترينگ نمونه¬ها با كيفيت پايين در سه¬مرحله، تعدادي آشكارساز پايه در فضاي مكمل توليد مي-شود. سپس از فرآيند كلونينگ آشكارسازهاي بهينه براي توسعه محلي فضاي جستجو و از الگوريتم ژنتيك براي جستجوي سراسري فضاي مكمل استفاده مي¬گردد. درهر مرحله دنباله آشوبناك به¬عنوان مولد عدد تصادفي ايده¬آل با هدف جستجوي سراسري و پوشش بهتر فضا و ايده شبكه ايمني براي حذف آشكارسازها با همپوشاني بالا، جهت توليد آشكارسازهاي كمتر و متنوع¬تر مطرح مي¬شود. در فاز تشخيص، براساس سيستم تشخيص پيشنهادي تصميم مناسبي در راستاي نرمال يا غيرنرمال بودن يك نمونه تستي گرفته مي¬شود. از مزيت¬هاي ديگر روش مي¬توان، به استفاده از تنها نمونه¬هاي نرمال در فاز آموزش، استفاده از تنها يك دنباله آشوبناك براي توليد نمونه¬هاي تصادفي با هر تعداد خصيصه و جلوگيري از توليد آشكارسازهاي تكراري و بسيار كوچك اشاره نمود. از جمله معايب روش پيشنهادي، نقش كليدي آستانه انطباق در كارايي و عدم وجود مكانيزم موثر براي تعيين مقدار بهينه پارامترهاست. آزمايشات انجام¬شده روي مجموعه داده¬ ساختگي Cross_mid و مجموعه داده¬هاي واقعي Iris و NSLKDD نشان مي¬دهد كه اين روش در مقايسه با روش¬هاي ايمني ديگر، داراي نرخ هشدار غلط پايين¬تر بوده و از نظر تعداد آشكارسازها در فاز تشخيص برآنها برتري دارد. واژه‌هاي كليدي: تشخيص ناهنجاري، انتخاب منفي، انتخاب كلوني، شبكه ايمني، دنباله¬هاي آشوبناك.