Abstract:
استفاده از رویکرد اقتضایی با بهرهگیری از ویژگیهایی از جمله مدیریت توزیعیافته بین گرهها، تسهیل در امر ورود و خروج آنها به شبکه و امکان تحرک بهتر یکی از گزینههای مطلوب جهت پیکربندی شبکههای بیسیم میباشد. همین امر موجب تولید ترافیک با رفتار پویا توسط نرمافزارهای کاربردی در چنین شبکههایی میشود که مسئله مدیریت شبکه و کنترل ترافیک بین گرهها را تحت تاثیر خود قرار میدهد که این امر در شبکههای نظامی که امنیت بالاتری مورد نیاز است اهمیت بسزایی دارد. شناسایی و طبقهبندی ترافیک جاری در شبکه میتواند کمک شایانی به این چالش در شبکههای بیسیم کند. از آنجا که روشهای مرسوم شناسایی و طبقهبندی ترافیک قادر به ارایه عملکرد مناسب با چنین ترافیکهایی نیستند لذا استفاده از روشهای مبتنی بریادگیری ماشین میتواند برای بهبود طبقهبندی ترافیک بکارگرفته شوند. در این مقاله، مساله کشف یک ترافیک خاص در شبکه اقتضایی بی سیم مد نظر قرار گرفته است و بر این اساس با تعریف معیار احتمال آشکارسازی و عدم ارایه تصمیم اشتباه در این حوزه، به دنبال افزایش احتمال آشکارسازی ترافیک های غیرمجاز در سیستم هستیم. در این مقاله روشی جدید جهت افزایش دقت و بهرهوری در شناسایی ترافیک غیرمجاز در شبکههای بیسیم اقتضایی ارایه میشود که اساس آن مبتنی بر ترکیب هدفمند روشهای یادگیری ماشین است. این روش بر روی یک مجموعه داده ضبط شده از ترافیک شبکه بیسیم اعمال می شود و مورد ارزیابی قرار می گیرد. نتایج نشان میدهند که روش ارایه شده علاوه بر بهبود معیارهای ارزیابی طبقهبندی کننده ترافیک موجب افزایش احتمال آشکارسازی و کاهش نرخ هشدار غلط به نسبت بکارگیری روشهای یادگیری ماشین بصورت یکتا میباشد.
Using Ad hoc approach with features such as distributed management between nodes, facilitating their entry and exit into the network and the possibility of better mobility is one of the desirable options for configuration of wireless networks. This sturcture leads to dynamic behavior of the traffic generated by applications in such networks, which affects the issue of network management and traffic control between nodes and this challenge is more important in military networks. Identifying and classifying network traffic can help to deal with these challenges in wireless networks. Because conventional traffic detection and classification methods are not able to provide proper performance with such traffic, the use of machine-learning-based methods can be used to improve the detection and classification performance. In this paper, In this article, the goal is to find a specific network traffic and hence the probability of detection and preventing to make a wrong decision as false alarm rate are introduced which increasing the probability of detection of impermissible traffic is our request. Therefore, in this paper a new hybrid method, based on the combination of machine learning methods is introduced to increase accuracy and efficiency in identifying and classifying traffic in the wireless network based on wireless traffic dataset. The results show that the proposed method improve the detection of a special target without considerable increase in false alarm rate, compared to the case of employing unique machine learning methods.