| شناسگر رکورد: | ۵۲۸۳۸ |
| رشته تحصیلی: | رایانش امن |
| عنوان: | ارزیابی ریسک امنیتی شبکههای ارتباطی با استفاده از شبکه عصبی چندلایه (MLP) و بهینهسازی استراتژیک وزنها و ساختار لایهها با الگوریتمهای تکاملی (PSO/GA) |
| نويسنده: | مهرنوش یزدیها |
| استاد راهنما : |
دکتر ایمانه خدایاری صمغ آبادی دکتر احسان اخترکاوان |
| مقطع تحصیلی : | کارشناسی ارشد |
| دانشگاه : | خاتم |
| تاریخ دفاع : | ۱۴۰۵ |
| چکیده: | ارزیابی ریسک امنیتی شبکههای ارتباطی بهدلیل پیچیدگی حملات سایبری و حجم بالای داده، نیازمند روشهای هوشمند است. شبکههای عصبی چندلایه (MLP) توانایی بالایی در مدلسازی روابط غیرخطی دارند، اما عملکرد آنها به انتخاب دستی معماری و ابرپارامترها وابسته است. همچنین دادههای امنیتی با نامتوازنی شدید کلاسها مواجهاند که معیار دقت را گمراهکننده میسازد.در این پژوهش، چارچوبی مبتنی بر الگوریتم بهینهسازی ازدحام ذرات (PSO) برای جستوجوی همزمان چهار ابرپارامتر کلیدی MLP شامل عمق، عرض، نرخ Dropout و نرخ یادگیری ارائه شده است. برای مدیریت عدمتعادل، از وزندهی کلاس در تابع هزینه و از Macro-F۱ بهعنوان تابع برازندگی استفاده شده است. رویکرد آموزش دومرحلهای نیز هزینه محاسباتی را بهطور قابلتوجهی کاهش داده است. پیادهسازی بر روی KDD Cup ۹۹ نشان میدهد که روش پیشنهادی با دقت ۹۹٫۸۱٪، Macro-F۱ برابر ۰٫۹۴۶۶ و MCC برابر ۰٫۹۹۶۸، عملکرد بهتری نسبت به مدل پایه و روشهای رقیب (ترکیب PSO با DE ، GWO و Ensemble ) دارد. مطالعه حذفی، بهبود ۵٫۷٪ Macro- F۱ را در اثر ترکیب وزندهی کلاس و تابع برازندگی Macro-F۱ نشان داد. تحلیل آماری، برتری معنادار روش را تأیید کرد. (p-value < ۰.۰۵) با وجود زمان اجرای بیشتر، رویکرد دومرحلهای زمان جستجو را حدود ۸۸٪ نسبت به جستجوی شبکهای کاهش داده است. یافتهها نشان میدهد که بهینهسازی همزمان معماری و ابرپارامترها با الگوریتمهای فراابتکاری و مدیریت صریح عدمتعادل، میتواند دقت و قابلیت تعمیم سامانههای ارزیابی ریسک امنیتی شبکه را بهبود بخشد. |
| واژگان کلیدی: |
ارزیابی ریسک امنیتی شبکه شبکه عصبی چندلایه بهینهسازی ازدحام ذرات طبقهبندی نامتوازن بهینهسازی ابرپارامترها |
| Register Number | Part3 | Version | Volume | Part | Part2 | Reference | Call Number | lended | Date Back | Description | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 285097 | 1 |