هر گراف حمله مجموعه ای از سناریوهای نفوذ به یک شبکه کامپیوتری را نمایش می دهد. در این مقاله، از گراف های حمله وزن دار برای تحلیل آسیب پذیری شبکه های کامپیوتری استفاده می شود. در این گراف های حمله به هر سوء استفاده توسط تحلیل گر وزنی نسبت داده می شود. وزن نسبت داده شده به هر سوء استفاده متناسب با هزینه لازم برای جلوگیری از آن سوء استفاده است. هدف از تحلیل گراف های حمله وزن دار یافتن یک مجموعه بحرانی از سوء استفاده ها است که مجموع وزن های آنها کمترین مقدار ممکن باشد و با جلوگیری از آنها هیچ سناریوی نفوذی امکان پذیر نباشد. در این مقاله، یک الگوریتم حریصانه، یک الگوریتم ژنتیک با عملگر جهش حریصانه و یک الگوریتم ژنتیک با تابع برازندگی پویا برای تحلیل گراف های حمله وزن دار پیشنهاد می شود. از الگوریتم های پیشنهادی برای تحلیل گراف حمله وزن دار یک شبکه مثالی و چندین گراف حمله وزن دار مقیاس بزرگ استفاده می شود. نتایج بدست آمده از آزمایش ها، عملکرد بهتر الگوریتم های ژنتیک پیشنهادی را نسبت به الگوریتم حریصانه نشان می دهند به گونه ای که الگوریتم های ژنتیک فوق قادر هستند مجموعه های بحرانی از سوء استفاده ها با مجموع وزن های کمتر را پیدا کنند. همچنین، از الگوریتم ژنتیک با تابع برازندگی پویا برای تحلیل چندین گراف حمله ساده مقیاس بزرگ استفاده می شود و عملکرد آن با یک الگوریتم تقریبی برای تحلیل گراف های حمله ساده مقایسه می شود.
تحليل گرافهای حمله وزن دار با استفاده از الگوريتمهای ژنتيك
آدرس: تهران، خیابان خرمشهر (آپادانا)، خیابان قنبرزاده، کوچه چهاردهم، پلاک 22
تلفن: 88533266-021 (10 خط)
آخرین مقالات
وبکست ها و پویش ها
وبینار علم داده برای مدیران1400/08/22 - 16:36
وبینار علم داده برای مدیران موضوعات علم داده و رابطه آن با هوش تجاری و هوش مصنوعی رویکردهای تحلیلی کسب و کار مفاهیم پایه Big Data اجزای پلتفرم داده یادگیری ماشین و علم داده محاسبات شناختی ثبت نام کنید!