Year: 2024
Type: article
Abstract: في الأدبيات، استكشفت بعض الدراسات تصنيف حركة الشبكة باستخدام الشبكات العصبية طويلة الأمد وقصيرة الأمد (LSTM) لتعزيز أمان السحابة. قمنا بتحليل مجموعة بيانات—BCCC—تتضمن أنواعًا مختلفة من حركة الشبكة: Benign، Benign-Email-Receive، Benign-Email-Send، Benign-FTP، Benign-SSH، Benign-Systemic، Benign-Telnet، وBenign-Web_Browsing_HTTP-S. من الميزات الرئيسية التي تم فحصها: fwd_ack_flag_percentage_in_fwd_packets، fwd_ack_flag_percentage_in_total، min_fwd_header_bytes_delta_len، وhandshake_duration. قدم النموذج أداءً جيدًا في اكتشاف الفئة Benign، لكن بعض الفئات ذات العينات الأقل، مثل Benign-FTP وBenign-Email-Receive، تحتاج إلى تحسين الدقة والاستدعاء بسبب عدم توازن الفئات. بشكل عام، أداء النموذج في تصنيف حركة الشبكة قوي. تقدم هذه الدراسة استراتيجيات لمعالجة عدم توازن الفئات وتنقيح هندسة الميزات. كما توفر أساسًا لمزيد من التحقيقات التفصيلية في approaches الذكاء الاصطناعي لتصنيف حركة الشبكة، مع التركيز على أهمية توازن العينات لتحقيق أداء دقيق عالي.
DOI: 10.61856/78jczn59
Authors: Bushra Majeed Muter, Ayat Jasim Mohamed
Language: English
Subfield: Computer Networks and Communications
Field: Computer Science
Domain: Physical Sciences
Open Access status: hybrid
OpenAlex ID: W4402753256