fuzzy inference
در نشریات گروه فناوری اطلاعات-
استخراج جوامع، از موضوعات چالش برانگیز و مهم در حوزه تحلیل شبکه های اجتماعی است. مکانیسم تشخیص جوامعی که به طور همزمان نیازهای توپولوژیکی و معنایی را برآورده سازد، اهمیت بیشتری پیدا کرده است. اکثر مطالعات موجود بر روی ساختار شبکه، بدون توجه به ویژگی های معنایی، تمرکز دارند. حال اینکه، معنا و محتوای اجتماعی حاوی داده های ارزشمندی در مورد علایق، نگرانی ها و احساسات افراد است. راه حل های معنایی محض، منجر به از دست رفتن اطلاعات توپولوژیکی ارزشمند شبکه می شوند. روش های ادغامی موجود، ساختار و معنا را به صورت بنیادی و اساسی ترکیب نمی کنند. اغلب این الگوریتم ها به علت ماهیت طراحی، به یکی از روش های مذکور متمایل بوده و عملکرد محدودی دارند. در این مقاله یک روش مبتنی بر منطق فازی جهت شناسایی جوامع ارایه می شود. ابتدا معنا و ساختار در یک شبکه مشترک ترکیب و سپس جوامع استخراج می گردند. مجموعه ای از آزمایش های شبیه سازی جهت ارزیابی عملکرد روش پیشنهادی در مقایسه با سایر الگوریتم های موجود در سه زمینه ساختاری، معنایی و ادغامی با استفاده از مجموعه داده های مصنوعی و طبیعی در اندازه های مختلف گره ها، یال ها، ویژگی ها انجام شده است. نتایج حاصل نشان می دهند، روش پیشنهادی در رابطه با انسجام شبکه و ویژگی های گره ها به طور موثری عمل می کند.
کلید واژگان: شبکه های پیچیده پویا، تحلیل شبکه های اجتماعی، شناسایی جوامع، معنا، استنتاج فازیDiscovering Communities is a fundamental problem in understanding network performance for social network analysis. Traditional community detection methods merely consider the network topologies. Nonetheless, social media contains valuable data about people's interests, concerns, and sentiments, which is not reflected in the structure. The semantic solutions eventuate to the mislay of precious structural information. Most existing combinatorial methods favor one of the mentioned kinds and have limited performance. This paper introduces a 2-phase way based on fuzzy inferences to determine effective social network communities. A series of real-life and synthetic networks have been used to evaluate the proposed method compared with several relevant algorithms. The experimental results proved that the proposed approach performs better in detecting meaningful communities and is more effective concerning network coherence and node attributes.
Keywords: Social Networks Analysis, community detection, Semantic, Fuzzy inference -
در این مقاله برای تشخیص درخواست های HTTP که با هدف خرابکاری یا نفوذ به برنامه های تحت وب ارسال می شوند، سیستم تشخیص نفوذی ارائه می شود که با نظارت بر آنها، با داشتن نرخ کشف حمله بالا، به پایین ترین نرخ مثبت کاذب دست یابد. به این منظور هر ویژگی استخراج شده از یک درخواست HTTP به وسیله تعدادی HMM، تحت عنوان یک گروه دسته بندی کننده، مدلسازی می شود. سپس با ادغام خروجی های حاصل از HMM های درون یک گروه، مقدار احتمالی تولید می شود که نشان دهنده میزان نرمال بودن ویژگی مربوطه می باشد. این سیستم از استنتاج فازی برای برقراری مرز تصمیم گیری انعطاف پذیربین درخواست های HTTP نرمال و غیرنرمال استفاده می کند. به این منظور، ابتدا مجموعه ها و قوانین فازی ماژول تصمیم گیری به صورت دستی و بر اساس برنامه کاربردی و ارزش امنیتی هر ویژگی شکل می گیرند؛ سپس خروجی احتمالی هر یک از گروه های HMM با توجه به مجموعه های فازی تولید شده، فازی می شود. این مقادیر فازی توسط موتور استنتاج فازی به کار گرفته می شود و به خروجی که حاکی از نرمال و یا غیر نرمال بودن درخواست HTTP می باشد، تبدیل می گردد. آزمایش ها نشان می دهد که این در تشخیص درخواست هایی که نزدیک به مرز تصمیم گیری قرار گرفته اند، از دقت خوبی برخوردار است و برای مجموعه آزمایشی 550 درخواست HTTP با نرخ کشف حمله 100٪، دارای نرخ مثبت کاذب 0.79٪ می باشد.
کلید واژگان: گروه مدل مخفی مارکوف، استنتاج فازی، دسته بندی کننده چندگانه، ادغام، مرز نرم، نرخ کشف، نرخ مثبت کاذبThis paper presents a system, which detects malicious HTTP request and obtains the lowest falsepositive rate with high detection rate. For this purpose, each extracted feature of a HTTP request is modeled by multiple hidden Markov models as a classifier ensemble. HMMs outputs of an ensemble are fused to produce a probabilistic value, showing normalcy of corresponding feature. In this system, instead of a threshold, a fuzzy inference is applied to produce a flexible decision boundary. So, fuzzy sets and rules of decision module are formed manually; next, output of each HMM ensemble is converted into a fuzzy value with respect to fuzzy sets. Finally, a fuzzy inference engine uses these values to produce output that indicates whether the HTTP request is normal or abnormal. Experiments show that this approach is flexible and has acceptable accuracy in detecting requests close to the decision boundary, and false-positive rate is 0.79%.Keywords: hidden Markov model ensemble, fuzzy inference, multiple classifier, fusion, soft boundary, detection rate, false positive rate
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.