اصل این سیستم خبره با وی پی اکسپرت نوشته شده و ما آنرا با کلیپس نوشته ایم.
متن پایگاه دانش سیستم از کتاب سیستم خبره دارلینگتون استخراج شده است.
این سیستم خبره با توجه به شرایط کارمندان و بر اساس معیارهای مختلف تعیین می کند که آیا یارانه مسکن به آنها علق می گیرد یا خیر
لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه: 24
چکیده :
تشخیص ناهنجاری (anomaly) موضوعی حیاتی در سیستم های تشخیص نفوذ به شبکه است (NIDS) [1] . بسیاری از NIDS های مبتنی بر ناهنجاری «الگوریتمهای پیش نظارت شده » [2] را بکار می گیرند که میزان کارایی این الگوریتمها بسیار وابسته به دادها های تمرینی عاری از خطا میباشد . این در حالی است که در محیط های واقعی و در شبکه های واقعی تهیه اینگونه داده ها بسیار مشکل است . علاوه بر اینها ، وقتی محیط شبکه یا سرویسها تغییر کند الگوهای ترافیک عادی هم تغییر خواهد کرد .
این مساله به بالا رفتن نرخ مثبت نمایی [3] در NIDS های پیش نظارت شده منجر می شود . تشخیص یک انحراف کامل (outlier) پیش نظارت نشده میتواند بر موانعی که در راه تشخیص ناهنجاری های پیش نظارت شده وجود دارد غلبه کند . به همین دلیل ما الگوریتم « جنگلهای تصادفی » [4] را که یکی از الگوریتمهای کار امد برای استخراج داده است به خدمت گرفته ایم و آن را در NIDS های مبتنی بر ناهنجاری اعمال کرده ایم . این الگوریتم میتواند بدون نیاز به داده های تمرینی عاری از خطا outlier ها را در مجموعه داده های [5] ترافیک شبکه تشخیص دهد . ما برای تشخیص نفوذهای ناهنجار به شبکه از یک چارچوب کاری استفاده کرده ایم و در این مقاله به شرح همین چارچوب کاری میپردازیم .
در این چارچوب کاری ، الگوی سرویسهای شبکه از روی داده های ترافیکی و با استفاده از الگوریتم جنگلهای تصادفی ساخته شده است . توسط outler تعیین شده ای که با این الگوهای ساخته شده مرتبط هستند نفوذها تشخیص داده می شوند. ما نشان میدهیم که چه اصلاحاتی را روی الگوریتم تشخیص outlier جنگلهای تصادفی انجام دادیم . و همینطور نتایج تجربیات خود را که بر اساس مجموعه داده های KDD 99 انجام شده است گزارش میدهیم .
نتایج نشان میدهد که روش پیشنهادی با سایر روشهای تشخیص ناهنجاری پیش نظارت نشده ای که قبلا گزارش شده اند کاملا قابل مقایسه است . البته روشهایی که بر اساس مجموعه داده های KDD 99 ارزیابی شده اند.
1- معرفی
همراه با رشد فوق العاده زیاد سرویسهای مبتنی بر شبکه و وجود اطالعات حساس روی شبکه ها تعداد حملات به کامپیوترهای تحت شبکه و شدت انها نیز به طور محسوسی افزایش یافته است . در حال حاضر طیف وسیعی از تکنولوژیهای امنیتی وجود دارد که میتوانند از سیستم های تحت شبکه محافظت کنند . تکنولوژیهایی مانند رمز نگاری اطلاعات کنترل دسترسیها و جلوگری از نفوذ اما با وجود این تکنولوژیها هنوز هم راههای زیادی برای نفوذ وجود دارد که تا حلل شناسایی نشده است . به همین دلیل سیتسم های تشخیص نفوذ IDS نقشی حیاتی را در امنیت شبکه ایفا می کنند .
سیستم های تشخیص نفوذ به شبکه NIDS فعالیتهای مختلفی که در شبکه انجام می شود را تحت نظر دارد و از این راه حملات را شناسایی می کند . این در حالی است که سیستم های تشخیص نفوذ به سیستم های تحت Host یعنی HIDS نفوذ به یک host منفرد را شناسایی می کند.
دو تکنیک اصلی برای تشخیص ورودهای نابجا وجود دارد . تشخیص کاربردهای نادرست[6] و تشخیص ناهنجاری anomaly تشخیص کاربردهای نادرست بر اساس الگوهای استخراج شده از نفوذهای شناخته شده حملات را کشف می کند . در روش تشخیص ناهنجاری برای شناسایی حملات به این روش عمل می کند که یکسری پروفایلهایی را برای فعالیتهای عادی ایجاد می کند و سپس بر اسسا این پروفایلها موارد انحراف را تعیین می کند . فعالیتهایی که از حد تعیین شده برای انحرافات فراتر رود جزء حملات شناخته می شوند .
در تکنیک تشخیص کاربردهای نادرست نرخ مثبت نمایی پائین است . اما این تکنیک نمی تواند حملاتی از انواع جدید را شناسایی کند . تکنیک تشخیص ناهنجاری میتواند حملات ناشناخته را کشف کند با این پیش فرض که این حملات ناشی از منحرف شدن از رفتارهای عادی هستند.
در حال حاضر بسیاری از NIDS ها مانند Snort سیستمهای قانونمند شده هستند ، به این معنی که این سیستم ها تکنیکهای تشخیص کاربردهای نادرست را به خدمت میگیرند و بنابراین قابلیت انبساط محدودی برای حملات جدید دارند . برای شناسایی حملات جدید سیستمهای تشخیص ناهنجاری بسیاری توسعه پیدا کرده اند . بسیاری از انها بر مبنای روشهای نظارتی توسعه پیدا کرده اند . به عنوان مثال ADAM در تشخیص نفود ، از الگوریتم قوانین مشترک بهره گرفته است ADAM از فعالیتهای عادی که روی داده های تمرینی عاری از حمله انجام می شود یک پروفایل می سازد .
سپس با پروفایل ساخته شده حملات را شناسایی می کند . مشکل ADAM این است که به داده های تمرینی که برای فعالیتهای عادی استفاده می شوند بیش از حد وابسته است . وقتی که در دنیای واقعی با شبکه های حقیقی کار می کنیم عملا هیچ تضمینی نیست که بتوانین از تمامی حملات جلوگیری کنیم . بنابراین دست یافته به داده های تمرینی عاری ازخطا کار بسیار مشکلی است . در حقیقت هم یکی از مرسوم ترین راههایی که برای تحلیل بردن یک سیستم IDS مبتنی بر ناهنجاری استفاده می شود این است که بخشی از فعالیتهای نفوذی را درون داده های تمرینی وارد کنیم . IDS هایی که با این داده های تمرینی تعلیم دیده اند قابلیت شناسایی این نوع از نفوذها را از دست میدهند .
مشکل دیگر IDS های مبتنی بر نظارت بر رفتارهای ناهنجار این است که وقتی محیط شبکه یا سرویسها تغییر می کند نرخ مثبت نمایی بالا میرود . از انجایی که داده های تمرینی فقط فعالیتهای مطالعه شده را شامل می شود پروفایل مربوط به فعالیتهای عادی فقط شامل الگوهای مطالعه شده ای است که از روی رفتارهای عادی برداشته شده اند . بنابراین فعالیتهای جدید ناشی از تغییر محیط شبکه یا سرویسها از پروفایلی که قبلا ساخته شده تبعیت نمی کند و به عنوان حمله شناسایی می شوند . این مساله باعث بالا رفتن مثبت نمایی ها خواهد شد .
برای غلبه بر محدودیتهای سیستم های مبتنی بر ناهنجاری های نظارت شده تعدادی از IDS ها از روشهای غیر نظارتی استفاده می کنند . در تکنیک تشخیص ناهنجاری به صورت غیر نظارتی نیازی به داده های تمرینی عاری از خطا نیست . این تکنیک برای شناسایی حمله ها به این ترتیب عمل می کند که فعالیتهای غیر معمول داده ها را تعیین می کند . برای این کار دو پیش فرض دارد :
فعالیتهای غیر معمول همان انحرافهای کامل ( Outlier) هستند که با مجموعه داده های باقیمانده جور در نمی ایند . بنابراین تکنیکهای تشخیص Outlier می توانند روی سیستم هایی که ناهنجاریها را به صورت غیر نظارتی تشخیص می دهند اعمال شوند . در واقع هم اکنون هم تشخیص Outlier در تعدادی از برنامه های عملی مانند شناسایی کردیت کارتهای تقلبی و پیش بینی وضع هوا در حال استفاده است .
ما روشی را پیشنهاد می کنیم که برای تشخیص نفوذهای غیر عادی از تکنیک تشخیص outlier ی که توسط الگوریتم جنگلهای تصادفی تهیه شده است استفاده می کند . جنگلهای تصادفی روشی است که در میان الگوریتمهای استخراج داده موجود تقریبا پیشتاز است .
این الگوریتم تا کنون در برنامه های مختلف بسیار زیادی استفاده شده است . برای مثال در برنامه پیشگویی نظریه احتمالات تجزیه الگو در بازیابی اطلاعات چند رسانه ای مورد استفاده بوده است. متاسفانه تا جایی که ما اطلاع دارمی تا کنون این الگوریتم را در سیستم های تشخیص نفوذهای غیر عادی بکار نبرده اند .
دغدغه اصلی سیستمهای تشخیص نفوذهای غیر عادی این است که مثبت نمایی ها را به حداقل برسانند . تکنیک تشخیص outlier برای کاهش نرخ مثبت نمایی و ارائه یک نرخ شناسایی مطلوب و قابل قبول موثر خواهد بود . روش پیشنهادی توسط مجموعه داده KDD99 ارزیابی شده است .
این مجموعه داده برای سومین مسابقه بین المللی ابزارهای استخراج داده و اکتشاف دانش مورد استفاده بوده است . نتایج تجربیات ما نشان می دهد که میزان کارایی تکنیک تشخیص با روش پیشنهادی ما یعنی تکنیک تشخیص outlier به طور موثری بهبود پیدا کرده است .
این مقاله به این صورت تنظیم شده است . در بخش دوم ما کارهای مربوطه را شرح می دهیم در بخش سوم به صورت تفصیلی روش تشخیص outlier با استفاده از الگوریتم جنگلهای تصادفی را شرح می دهیم . در بخش چهارم تجربیات و ارزیابی های انجام شده برای تعیین میزان کارایی نشان داده می شود . و در اخر در بخش پنجم مقاله را خلاصه می کنیم و طرح تحقیقات آتی خود را مشخص می کنیم .
2- کارهای مربوطه
یکی از موضوعهای مهمی که در تحقیقات مربوط به تشخیص نفوذها وجود دارد ، تشخیص ناهنجاری بوده تا کنون روشهای بسیار متنوعی برای تشخیص ناهنجاری پیش نظارت نشده در NIDS ها یک موضوع تحقیقاتی جدید است اسکین [7] در موضوع تشخیص ناهنجاری نظارت نشده ، سه الگوریتم را بررسی کرده است : تخمین بر مبنای کلاستر [8] ، نزدیکترین همسایه [9] و SVM [10] تک کلاسی . سایر محققان در NIDS های غیر نظارتی روشهای کلاسترینگ را اعمال کرده اند.
سیستم تشخیص ناهنجاریهای پیش نظارت شده در طیف وسیعی مورد مطالعه قرار گرفته است . در همین مبحث ، ADAM[11] پروژه ای است که در عرصه وسیعی شناخته شده و منتشر شده است . این پروژه یک online IDS در بستر شبکه است . ADAM میتواند به همان خوبی که حملات شناخته شده را تشخیص میدهد حملات ناشناخته را هم تشخیص دهد .
به این ترتیب که از رفتارهای عادی مربوط به داده های تمرینی عاری از خطا پروفایل میسازد و این پروفایل را به عنوان یک مجموعه قوانین مشترک ارائه می کند. در زمان اجرا با توجه به این پروفایل ، تماسهای مشکوک را شناسایی می کند . روشهای پیش نظارت شده دیگری هم بر سیستم های تشخیص ناهنجاری اعمال شده اند . روشهایی نظیر الگوریتم ژنتیک و استخراج داده های مبهم و نامعلوم ، شبکه های عصبی و SVM .
در کار قبلی مان ، ما الگوریتم جنگلهای تصادفی را در سیستم تشخیص کاربردهای نادرست misuse اعمال کردیم . در این مقاله تابع تشخیص outlier تهیه شده توسط الگوریتم جنگلهای تصادفی را برای تشخیص ناهنجاری پیش نظارت نشده به خدمت گرفته ایم . دقت و تاثیر این الگوریتم روی مجموعه داده های برگی که دارای ویژگیهای زیادی هستند بیشتر است . مجموعه داده هایی نظیر مجموعه داده های ترافیک شبکه.
3- تشخیص Outlier ها
در این بخش ما چارچوب کاری پیشنهادی برای NIDS را شرح میدهیم و نشان میدهیم که چگونه از این الگوریتم برای تشخیص outlier های روی مجموعه داده ای ترافیک شبکه استفاده می کنیم .
الف – شرح چارچوب کاری
چارچوب کاری پیشنهادی برای تشخیص نفوذهای نوظهور از الگوریتم جنگلهای تصادفی استفاده می کند . چارچوب کاری در شکل 1 نمایش داده شده است.
شکل 1- چارچوب کاری NIDS ناهنجاری پیش نظارت نشده
NIDS از ترافیک شبکه تصویر بردار یمی کند و با پیش پردازش کردن مجموعه داده ها را میسازد . سپس با استفاده از الگوریتم ف از روی مجموعه داده الگوهایی بر مبنای سرویسها ساخته می شود . با الگوهای ساخته شده می توانیم outlier های مربوط به هر الگو را پیدا کنیم . وقتی outlier ها شناسایی شدند سیستم یک اخطار تولید می کند .
بعد از اینکه تصویر برداری از ترافیک شبکه انجام شد پردازش به صورت off-line ادامه خواهد یافت . زیرا الگوریتم تشخیص outlier نیازمندیهای زیادی برای محاسبات لازم دارد . به همین دلیل هم در محیطهای واقعی شبکه پردازشهای online مناسب نیست
این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
نوع فایل: word
قابل ویرایش 285 صفحه
چکیده:
مساله عمده و اساسی مورد بحث در این پژوهش آگاهی و شناخت نسبت به انواعی از معاملات خارج از تراز نامه ،روشهای رایج مورد استفاده توسط شرکتها و در نهایت ارزیابی اینکه آیا حسابرسان قادر به تشخیص این نوع از تامین مالی هستند یا خیر. .با توجه به اینکه معا ملات تامین مالی خارج از تراز نامه انواعی از معا ملاتی هستند که به صورتی از نمایش کامل از فعا لیتها و رویداد های مالی رخ داده شده در حسابها نشان داده نمی شود این گونه معا ملات باعث تغییر در سا ختار سرمایه از طریق عدم ثبت بدهیها و تعهدات عمده در صورتهای مالی (تراز نامه)می شود .در این پژوهش ابتدا به مقا لات و بیانیه های منتشر شده توسط نهاد های رسمی و غیر رسمی حرفه حسابداری در مورد موضوع اشاره شده است ،سپس روشهای رایج مورد استفاده از این نوع تامین مالی توسط شرکتها به تفصیل تشریح شده است و در نهایت فرضیات پژوهش مورد آزمون آماری قرار گرفته است .سوالات مطرح شده در این پژوهش ارتباط و یا عدم ارتباط بین نسبتهای ما لی کلیدی و تا مین مالی خارج از تراز نامه ،تغییر در ساختار سرمایه در صورت استفاده از تامین مالی خارج از تراز نامه و در نهایت بوجود آمدن تردیدی عمده در فرض تداوم فعالیت در صورت استفاده از تامین مالی خارج از تراز نامه می باشد .برای پاسخ دادن به این سوالات ا بتدا شرکتهای مرتبط با تامین مالی خارج از تراز نامه بین سالهای 1380 -1385 با استفاده از گزارش حسابرس مستقل شناسائی و اطلاعات مربوط استخراج و با استفاده از متغیر های پژوهش (نسبتهای ما لی در نظر گرفته شده )از طریق روشهای آماری اقدام به آزمون فرضیه ها شده است .نتایج بدست آمده از آزمون آماری فرضیه ها حاکی از تائید فرضیه های پژوهش می باشد، با توجه به یافته های پژوهش می توان نتیجه گرفت که نا مساعد بودن نسبتهای مالی می تواند دلیل بر استفاده از تامین مالی خارج از تراز نامه توسط شرکتها باشد لذا به حسابرسان مستقل پیشنهاد می شود نسبتهای کلیدی تراز نامه ای را جهت تشخیص استفاده احتما لی شرکتها از تامین مالی خارج از تراز نامه مورد توجه قرار دهند .
مقدمه:
با توجه به شتاب فرآیند علم و تکنولوژی در جهان صنعتی امروز، هر رشته ای از علوم به گرایشهای تخصصی بیشتری تقسیم شده است. این تقسیم بندی به خودیخود و بنا به نیاز و ضرورت و پیچیدگیهای روز افزون صنعت بوجود می آید. دنیای اقتصاد و روابط بین متغیرهای اقتصادی و مالی هم از این تحولات مستنثنی نبوده است ومسائل این رشته نیز روز به روز پیچیده تر و مشکل تر از قبل می شود، بخصوص پول و بازارهای سرمایه که نقش مهم و تعیین کننده ای در اقتصاد دارند. تامین مالی برای اجرای پروژه های سودآور در رشد شرکت نقش بسیار مهمی ایفا می کند. توانایی شرکت در تامین منابع مالی بالقوه برای تهیه سرمایه به منظور سرمایه گذاریها و تهیه برنامه های مالی مناسب از عوامل اصلی رشد و پیشرفت شرکتها به حساب می آیند. یکی از بزرگترین چالش های شرکتها برای ادامه فعالیتشان کمبود منابع مالی برای تامین نیازهای سرمایه ای است که شرکتها را به انتخاب و تعیین روشهای تامین مالی کوتاه مدت یا بلند مدت به طرق مختلف ترغیب و تشویق می کند . تصمیم گیریهای مربوط به تامین مالی توسط شرکتها عمدتاً در ارتباط با ساختار سرمایه وهمچنین تعیین و انتخاب بهترین شیوه تامین مالی و ترکیب آن می باشد در نتــــیجه یک شرکت می تواند از طریق تغییر در مواردی مانند سود هر سهم، خط مشی تقسیم سود، زمانبندی مدت و ریسک سودآوری و انتخاب شیوه تامین مالی بر ثروت سهامداران اثر بگذارد. منابع مالی هر واحد اقتصادی از منابع داخلی و خارجی تشکیل شده است، منابع داخلی شامل جریانهای نقدی حاصل ازعملیات، وجوه حاصل از فروش داراییها ومنابع خارجی شامل استقراض از بازارهای مالی و انتشار اوراق بهادار می باشد.
با بوجود آمدن نوآوریهای مالی عمده ای که در دهه 1980 شکل گرفت شرکتها به روشهای نوینی از تامین مالی روی آوردند که نیازهای مالی خود را نه از طریق روشهای متداول و رایج بلکه از طریق روشهای تازه ودر مواری ابتکاری برآورده کردند که این مسئله منجر به پیدایش بحث های نوین در چگونگی ثبت وارائه این نوع از تامین مالی توسط شرکتها در گزارشهای مالی و در نشریات تخصصی حرفه حسابداری شد . در این پژوهش تلاش می شود ماهیت و روشهای تامین مالی خارج از ترازنامه و همچنین به اختصار دلائل استفاده توسط شرکتها و در نهایت بررسی امکان تشخیص استفاده از این نوع تامین مالی در شرکتها توسط حسابرسان مستقل مورد مطالعه و بررسی قرار گیرد.
فهرست مطالب:
چکیده
مقدمه
فصل اول: کلیات پژوهش
مقدمه
بیان مساله و علل انتخاب موضوع
اهداف پژوهش
اهمیت پژوهش
نوع طرح پژوهش
متغیرهای پژوهش
فرضیه های پژوهش
قلمرو پژوهش
قلمرو موضوعی
قلمرو مکانی
قلمروزمانی
محدودیتهای پژوهش
روش پژوهش
روش جمع آوری اطلاعات
ابزار اندازه گیری اطلاعات
واژگان کلیدی و اصطلاحات
ساختار پژوهش
فصل دوم: مبانی نظری و پیشینه پژوهش
تاریخچه،مبانی نظری، چارچوب گزارشات مالی، انرون
مقدمه:
گفتار اول: تاریخچه
مقاله فنی انتشار یافته توسط انجمن حسابداران قسم خورده انگلستان و ولز
متن پیشنهادی شماره 42 (ED42)
متن پیشنهادی شماره 49 (ED 49)
شرایط پیشنهاد شده توسط متن پیشنهادی گزارشگری معاملات (FRED4)
بیانیه تحقیق مالی شماره 5 (1994) گزارشگری محتوای معاملات
گفتار دوم: مبانی نظری
تجزیه و تحلیل مزایا و مخاطرات
شناخت
عدم شناخت
تهاتر
نحوه ارائه اقلام مرتبط با هم
معاملات مرتبط
گفتار سوم : چارچوب گزارشات مالی
ترازنامه
صورتهای مالی اساسی دیگر
یادداشتهای توضیحیصورتهای مالی و گزارش هیئت مدیره به مجمع عمومی صاحبان سهام
گفتار چهارم: فروپاشی انرون مقدمه ای برای تحول در وضع قوانین و استانداردهای
مرتبط با معاملات خارج از تراز نامه
آنچه برای انرون اتفاق افتاد؟
تاریخچه انرون
گزارش Powers و Batson در مورد انرون
شرکتهای با اهداف خاص، قانون سار بینز اکسلی
گفتار پنجم: شرکتها با اهداف خاص
مقدمه
تعریف شرکتها با اهداف خاص
ارتباط با تامین مالی خارج از تراز نامه
گفتار ششم: قانون سار بینز اکسلی
مقدمه
ارتباط قانون ساربینز اکسلی با موضوع خارج از تراز نامه
اقلامی که افشاء آنها در ارتباط با ترتیبات خارج از ترازنامه لازم است
افشاء اقلام تعهدات قراردادی
شیوه های مورد استفاده در تامین مالی خارج از تراز نامه
گفتار هفتم : شرکتهای فرعی و شبه شرکتهای فرعی
تعریف شرکتهای فرعی وشبه فرعی
معافیت شبه شرکتهای فرعی از تلفیق
ارتباط شرکتهای فرعی و شبه فرعی با تامین مالی خارج از تراز نامه
گفتار هشتم: سرمایه گذاری در ارزش ویژه سایر شرکتها
سرمایه گذاری هایی که نه موجب افزایش نفوذ قابل ملاحظهمی شودونه موجب افزایش کنترل
سرمایه گذاری هایی که موجب افزایش نفوذ قابل ملاحظه می شود اما موجب افزایش کنترل نمی شود
سرمایه گذاری هایی که موجب کنترل می شود
موضوع خارج از ترازنامه در حسابداری سرمایه گذاریها
تلفیق
گفتار نهم: اجاره های بلند مدت
ارزیابی معامله
ماهیت شیوه ها و الزامات گزارشگری مالی
موضوع خارج از ترازنامه در حسابداری برای اجاره های بلند مدت
گفتار دهم: فروش و اجاره آن از خریدار
ارزیابی معامله
اجاره های سرمایه ای
اجاره های عملیاتی
موضوع خارج از ترازنامه در حسابداری برای فروش و اجاره آن از خریدار
استاندارد بین المللی حسابداری برای اجاره ها
گفتار یازدهم: فروش و توافقات باز خرید
ارزیابی معامله
ماهیت شیوه ها و الزامات گزارشگری مالی
موضوع خارج از ترازنامه در حسابداری برای فروش و توافقات بازخرید
شیوه حسابداری
گفتار دوازدهم : کالاهای امانی
ارزیابی معامله
ماهیت شیوه ها و الزامات گزارشگری مالی
حقوق هر طرف معامله برای بازگرداندن کالا
تعیین قیمت برای انتقال نهایی مالکیت به مشتری
آیا مشتری لازم است به سازنده کالا مبلغی به عنوان ودیعه بدهد؟
آیا مشتری حق استفاده از کالا را دارد؟
موضوع خارج از ترازنامه در حسابداری برای کالاهای امانی
گفتار سیزدهم: نقل و انتقالات داراییهای مالی با مشارکت های مداوم
ارزیابی معاملات
موارد افشاء طبق SFAS شماره 140
موضوع خارج از ترازنامه در حسابداری برای نقل و انتقالات دارائیهای مالی
گفتار چهاردهم: تجزیه و تحلیل نسبتهای مالی
روشهای تجزیه و تحلیل
طبقه بندی نسبتها
فرض تداوم فعالیت
گفتار پانزدهم : پیشینه پژوهش
نتیجه گیری
فصل سوم: روش شناسی پژوهش (متدولوژی)
مقدمه
اهداف پژوهش
روش جمع آوری داده ها
قلمرو پژوهش
جامعه آماری
نحوه گردآوری اطلاعات
نمونه گیری
فرضیه های پژوهش
متغیرهای پژوهش
تعریف عملیاتی متغیرهای پژوهش
اندازه گیری متغیرهای پژوهش
روش آماری آزمون فرضیه ها
فصل چهارم: تجزیه و تحلیل داده های پژوهش
مقدمه
نتایج تحلیل داده ها- سال 80
نتایج تحلیل داده ها- سال 81
نتایج تحلیل داده ها- سال 82
نتایج تحلیل داده ها- سال 83
نتایج تحلیل داده ها- سال 84
نتایج تحلیل داده ها- سال 85
فصل پنجم: نتیجه گیری و پیشنهادات
مقدمه
خلاصه ای از کل پژوهش
خلاصه یافته های پژوهش
نتیجه گیری
پیشنهادات
پیشنهادات مربوط به یافته های پژوهش
پیشنهادات برای پژوهش های آتی
محدودیت های پژوهش
فهرست منابع
فصل ششم :پیوستها
این پروژه به صورت فایل pdf فشرده شده 25 صفحه ای بوده و شرح کاملی از روند تشخیص پلاک خودرو به همراه کد های دستوری مربوطه می باشد. توضیحات پروژه کامل بوده و نتیجه آن مورد صحت واقع گردیده است. با خرید این پروژه دیگر نیازی به پروژه ها و مقالات جانبی دیگر نخواهید داشت.
لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه24
فهرست مطالب
چکیده :
2- کارهای مربوطه
3- تشخیص Outlier ها
الف – شرح چارچوب کاری
ب – الگوریتم جنگلهای تصادفی
ج – الگوهای استخراج سرویسهای شبکه
ب- ارزیابی و تشریخ
تشخیص ناهنجاری (anomaly) موضوعی حیاتی در سیستم های تشخیص نفوذ به شبکه است (NIDS) [1] . بسیاری از NIDS های مبتنی بر ناهنجاری «الگوریتمهای پیش نظارت شده » [2] را بکار می گیرند که میزان کارایی این الگوریتمها بسیار وابسته به دادها های تمرینی عاری از خطا میباشد . این در حالی است که در محیط های واقعی و در شبکه های واقعی تهیه اینگونه داده ها بسیار مشکل است . علاوه بر اینها ، وقتی محیط شبکه یا سرویسها تغییر کند الگوهای ترافیک عادی هم تغییر خواهد کرد .
این مساله به بالا رفتن نرخ مثبت نمایی [3] در NIDS های پیش نظارت شده منجر می شود . تشخیص یک انحراف کامل (outlier) پیش نظارت نشده میتواند بر موانعی که در راه تشخیص ناهنجاری های پیش نظارت شده وجود دارد غلبه کند . به همین دلیل ما الگوریتم « جنگلهای تصادفی » [4] را که یکی از الگوریتمهای کار امد برای استخراج داده است به خدمت گرفته ایم و آن را در NIDS های مبتنی بر ناهنجاری اعمال کرده ایم . این الگوریتم میتواند بدون نیاز به داده های تمرینی عاری از خطا outlier ها را در مجموعه داده های [5] ترافیک شبکه تشخیص دهد . ما برای تشخیص نفوذهای ناهنجار به شبکه از یک چارچوب کاری استفاده کرده ایم و در این مقاله به شرح همین چارچوب کاری میپردازیم .
در این چارچوب کاری ، الگوی سرویسهای شبکه از روی داده های ترافیکی و با استفاده از الگوریتم جنگلهای تصادفی ساخته شده است . توسط outler تعیین شده ای که با این الگوهای ساخته شده مرتبط هستند نفوذها تشخیص داده می شوند. ما نشان میدهیم که چه اصلاحاتی را روی الگوریتم تشخیص outlier جنگلهای تصادفی انجام دادیم . و همینطور نتایج تجربیات خود را که بر اساس مجموعه داده های KDD 99 انجام شده است گزارش میدهیم .
نتایج نشان میدهد که روش پیشنهادی با سایر روشهای تشخیص ناهنجاری پیش نظارت نشده ای که قبلا گزارش شده اند کاملا قابل مقایسه است . البته روشهایی که بر اساس مجموعه داده های KDD 99 ارزیابی شده اند.