Performance of Machine Learning for Anomaly Detection in Dynamic Network Graphs
Linked Agent
Al-Ammal, Hesham Mohammed , Thesis advisor
Date Issued
2022
Language
English
Extent
[5], [7], 54, [2] pages.
Institution
University of Bahrain , College of Information Technology, Department of Computer Science
Arabic Abstract
ملخص:
يعد اكتشاف الانحرافات في مجموعة بيانات معينة خطوة مهمة في العديد من التطبيقات في مجال الأمن السيبراني؛ بما في ذلك كشف الاختراق والاحتيال وتحليل الشبكة الاجتماعية. تكتشف العديد من هذه الأساليب القيم المتطرفة من خلال تحليل البيانات القائمة على الرسم البياني. يجعل تحليل الرسوم البيانية التقاط العلاقات والمجتمعات ممكنا، فضلاً عن الحالات المتطرفة. تتمثل ميزة استخدام الرسوم البيانية في أنه يمكن بسهولة نمذجة العديد من مشاهد الحياة الواقعية من خلال رسم بياني يلتقط هيكلها وتبعياتها المتبادلة. على الرغم من أن اكتشاف الشذوذ في الرسوم البيانية يعود إلى التسعينيات، إلا أن التطورات الحديثة في البحث العلمي استغلت أساليب الذكاء الاصطناعي لاكتشاف الانحرافات على الرسوم البيانية تهدف الأطروحة إلى البحث في العديد من خوارزميات الذكاء الاصطناعي لاكتشاف السلوك المتطرف في نشاط الشبكات وفهم الظروف التي تؤدي فيها كل خوارزمية أداءً أفضل من خلال مقارنة كفاءتها ودقتها بناءً على إحدى مجموعات البيانات المعروفة. تم تدريب جميع النماذج واختبارها على مجموعة بيانات CIC-IDS2018 التي أنشأها المعهد الكندي للأمن السيبراني. وجد أن الدقة المحققة هي 99.6% باستخدام خاصية الكشف عن الشذوذ. على الرغم من أن معظم الأعمال ذات الصلة أهملت مقياس AUC ، والذي يتعلق بالتوزيع غير المتناسب لفئة مجموعة البيانات، إلا أن مقياس AUC يعتبر أقوى مقياس أداء، وفي عملنا، تم تحقيق أعلى الدرجات الممكنة من AUC
يعد اكتشاف الانحرافات في مجموعة بيانات معينة خطوة مهمة في العديد من التطبيقات في مجال الأمن السيبراني؛ بما في ذلك كشف الاختراق والاحتيال وتحليل الشبكة الاجتماعية. تكتشف العديد من هذه الأساليب القيم المتطرفة من خلال تحليل البيانات القائمة على الرسم البياني. يجعل تحليل الرسوم البيانية التقاط العلاقات والمجتمعات ممكنا، فضلاً عن الحالات المتطرفة. تتمثل ميزة استخدام الرسوم البيانية في أنه يمكن بسهولة نمذجة العديد من مشاهد الحياة الواقعية من خلال رسم بياني يلتقط هيكلها وتبعياتها المتبادلة. على الرغم من أن اكتشاف الشذوذ في الرسوم البيانية يعود إلى التسعينيات، إلا أن التطورات الحديثة في البحث العلمي استغلت أساليب الذكاء الاصطناعي لاكتشاف الانحرافات على الرسوم البيانية تهدف الأطروحة إلى البحث في العديد من خوارزميات الذكاء الاصطناعي لاكتشاف السلوك المتطرف في نشاط الشبكات وفهم الظروف التي تؤدي فيها كل خوارزمية أداءً أفضل من خلال مقارنة كفاءتها ودقتها بناءً على إحدى مجموعات البيانات المعروفة. تم تدريب جميع النماذج واختبارها على مجموعة بيانات CIC-IDS2018 التي أنشأها المعهد الكندي للأمن السيبراني. وجد أن الدقة المحققة هي 99.6% باستخدام خاصية الكشف عن الشذوذ. على الرغم من أن معظم الأعمال ذات الصلة أهملت مقياس AUC ، والذي يتعلق بالتوزيع غير المتناسب لفئة مجموعة البيانات، إلا أن مقياس AUC يعتبر أقوى مقياس أداء، وفي عملنا، تم تحقيق أعلى الدرجات الممكنة من AUC
Note
Title:
أداء خوارزميات تعلم الآلة في اكتشاف الحالات المتطرفة في الرسوم البيانية الديناميكية للشبكة
أداء خوارزميات تعلم الآلة في اكتشاف الحالات المتطرفة في الرسوم البيانية الديناميكية للشبكة
Member of
Identifier
https://digitalrepository.uob.edu.bh/id/db798aa3-8dbb-43c0-9ba0-57e6c05cf273
2
0