تشخیص بات نت ها با استفاده از فنون یادگیری عمیق

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 103

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_PADSA-11-2_003

تاریخ نمایه سازی: 19 شهریور 1402

چکیده مقاله:

امروزه به دلیل اتصال تلفن های همراه هوشمند به اینترنت و وجود قابلیت ها و امکانات مختلف در این تلفن ها، حفظ امنیت این دستگاه ها به یک چالش مهم تبدیل شده است. چرا که معمولا در این دستگاه ها انواع داده های خصوصی که مرتبط با حریم شخصی افراد است ثبت و ذخیره می شود. در سال های اخیر این دستگاه ها مورد هدف یکی از خطرناک ترین حملات سایبری قرار گرفته اند که بات نت نام دارد. بات نت ها توانایی انجام عملیات مخربی چون ربودن و استراق سمع و حملات انکار سرویس را دارند. از این رو شناسایی به موقع بات نت ها تاثیر زیادی در حفظ امنیت تلفن های همراه دارد. در این مقاله روشی جدید برای شناسایی بات نت ها از برنامه های سالم اندروید و همچنین تشخیص نوع بات نت از میان ۱۴ نوع مختلف از خانواده بات نت ها ارائه شده است. در این روش ابتدا با استفاده از مهندسی معکوس، لیست مجوزهای برنامه استخراج شده، سپس بر اساس این لیست مجوز ها تصویر معادل برنامه ایجاد می شود. به این ترتیب مجموعه ای از تصاویر بدست می آید که با استفاده از شبکه عصبی کانولوشنال ارائه شده، این تصاویر طبقه بندی و نوع برنامه کاربردی مشخص می شود. نتایج حاصل از مقایسه و ارزیابی این روش با روش های سنتی یادگیری ماشین چون ماشین بردار پشتیبان و درخت تصمیم نشان داد که روش ارائه شده کارایی بالاتری در تشخیص انواع بات نت ها و جداسازی آن از برنامه های سالم دارد

کلیدواژه ها:

نویسندگان

مریم قنواتی نسب

دانشجوی کارشناسی ارشد، دانشگاه شهید باهنر کرمان، کرمان، ایران

مهدیه قزوینی

دانشیار، دانشگاه شهید باهنر کرمان، کرمان، ایران

فهیمه قاسمیان

استادیار، دانشگاه شهید باهنر کرمان، کرمان، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • M. La Polla, F. Martinelli, and D. Sgandurra, "A survey ...
  • Y. Zeng, K. G. Shin, and X. Hu, "Design of ...
  • A. Ezzatneshan, S. Kamel Tabbakh Farizani, M. Kheirabadi, and R. ...
  • N. Sakthipriya, V. Govindasamy, and V. Akila, "Review of Deep ...
  • M. Gopinath and S. C. Sethuraman, "A comprehensive survey on ...
  • S. Hamzenejadi, M. Ghazvini, and S. Hosseini, "Mobile botnet detection: ...
  • M. Moodi, M. Ghazvini, and H. Moodi, "A hybrid intelligent ...
  • X. Meng and G. Spanoudakis, "MBotCS: A mobile botnet detection ...
  • Z. Abdullah, M. M. Saudi, and N. B. Anuar, "ABC: ...
  • C. Tansettanakorn, S. Thongprasit, S. Thamkongka, and V. Visoottiviseth, "ABIS: ...
  • S. Anwar, J. M. Zain, Z. Inayat, R. U. Haq, ...
  • J. f. Alqatawna and H. Faris, "Toward a detection framework ...
  • S. Hojjatinia, S. Hamzenejadi, and H. Mohseni, "Android botnet detection ...
  • S. Y. Yerima and M. K. Alzaylaee, "Mobile botnet detection: ...
  • S. Y. Yerima and Y. To, "A deep learning-enhanced botnet ...
  • S. Balasunthar and Z. Abdullah, "Comparison of Convolutional Neural Network ...
  • M. Faghihniya, R. Jalaei, and H. Shojaee Yas, "Kavosh: Offering ...
  • R. Mishra and S. K. Jha, "Survey on Botnet Detection ...
  • نمایش کامل مراجع