پيش بينی بهره کشی و خوشه بندی آسيب پذيری ها بوسیله متن کاوی
یکی از رشته های زیر مجموعه فنی مهندسی که علاقمندان بسیاری در کشور ما دارد رشته کامپیوتر و فناوری اطلاعات هستش که اتفاقا سایت دیجی لود در حال تکمیل سری جدیدی از پایان نامه های ارشد این رشته تحصیلی برای کاربران گرانقدر خود میباشد. دیجی لود در ادامه پایان نامه ” پيش بينی بهره کشی و خوشه بندی آسيب پذيری ها بوسیله متن کاوی ” با فرمت Word (قابل ویرایش) در 112 صفحه را معرفی مینماید.
چکیده پایان نامه پيش بينی بهره کشی و خوشه بندی آسيب پذيری ها بوسیله متن کاوی :
آسيب پذيریهای نرم افزار میتواند منجر به تلفات مالی و اطلاعاتی شود. به علت محدود بودن منابع مالی و انسانی، اولويت دهی به آسيبها بسيار مورد توجه میباشد. پيش از اين پژوهش، تعداد زيادی از محققان آسيب پذيری ها را براساس دانشهای تجربی و آماری، رده بندی کردهاند. اماگاهی طبيعت متغيير آسيب پذيریها، فراهم کردن يک معيار رده بندی برای آنها را غير ممکن میکند.
گزارشهای آسيب پذيری، به طور پيوسته در پايگاه داده های مختلف ثبت میشوند. اطلاعات متنی آسيب پذيریها، به طور کامل توسط ابزارهای اتوماتيک موجود، مورد استفاده قرار نمیگيرد. اين پژوهش نشان داد که از اطلاعات موجود در متنها برای ساخت مدلهای پيشگو میتوان استفاده کرد. متن کاوی ابزاری مناسب برای به دست آوردن اطلاعاتی است که در اخذ تصميمات مهم مديريتی موثر میباشند.
در زمينه پيش بينی بهره کشی با استفاده از متن کاوی، تاکنون فقط يک تحقيق انجام شده است. اين تحقيق در KDD2010، با عنوان “فراتر از اکتشافی: آموزش برای، کلاس بندی آسيب پذيری و پيش بينی بهره کشی” ارائه شده است. اين تحقيق به سوالات زير، با استفاده از متن کاوی پاسخ داده است: آيا از آسيب پذيری بهره کشی خواهد شد؟ چه زمانی از آسيب پذيری موجود بهره کشی خواهد شد؟ اين مقاله در مقايسه با CVSS(که يکی از متريکهای معروف آسيب پذيری است) به نتايج خوبی رسيده است. در اين پژوهش به سوالات فوق و به سوالات جديد زير دقت بالايي پاسخ داده شده است:
اگر سيستمی مورد بهره کشی قرار گرفته، چه زمانی اين بهره کشی آغاز شده است؟ (دقت پاسخها بين 94.5-84%)
اگر سيستمی آسيب پذير است، چه زمانی بسته اصلاح شده آن از سوی سازندگان ارائه خواهد شد؟ (دقت پاسخها بين 91-68%)
در زمينه خوشه بندی آسيب پذيریها، تاکنون تحقيقات زيادی انجام شده است. پايگاه داده OSVDBدارای دسته بندیهای مختلفی برای آسيب پذيریها میباشد، اما هيچ يک از اين دسته ها بر اساس توصيف آسيب پذيریها نيست. در اين تحقيق آسيب پذيری ها با استفاده از توصيف هايشان خوشه بندی شده اند، که دسته های حاصل عبارتند از: سرريز بافر، رد سرويس، دستکاری داده، کنترل از راه دور، پيکربندی نامناسب، شکاف در رمز عبور، دسترسی غير مجاز به اطلاعات، و دسترسی غير مجاز به سرويس. برای انتساب آسيب پذيریها به دسته های مناسب به صورت دستی به تجربه نيروی انسانی نياز است و انجام اين کار بسيار ملال آور میباشد. دسته بندی ارائه شده در اين پژوهش، امکان ساخت نرم افزاری که بتواند آسيب پذيریها را به طور خودکار به دسته های مناسب نسبت دهد، را فراهم میکند.
در اين پژوهش از دو پايگاه داده معروف آسيب پذيریها (OSVDBو CVE)، و اطلاعات تاريخ آسيب پذيریها که استفان فری در اختيارمان قرار داد، استفاده شده است. برای پيش بينی بهره کشی از کلاس بندی کننده های ماشين بردار پشتيبانی و جنگل تصادفی، و برای انجام خوشه بندی از روش نگاشت خود سازمانده نوخاسته استفاده شده است
فهرست مطالب پایان نامه پيش بينی بهره کشی و خوشه بندی آسيب پذيری ها بوسیله متن کاوی :
| |
| عنوان | صفحه |
| فصل اول: مقدمه | 1 |
| 1-1-آسیب پذیری | 2 |
| 1-1-1-تعریف آسیب پذیری | 2 |
| 1-1-2- کلاس بندی آسيب پذيریها | 3 |
| 1-1-3- علتهای ايجاد آسيب پذيریها | 4 |
| 1-1-4- شناسايي و حذف آسيب پذيریها | 5 |
| 1-2- مفاهيم اوليهی مورد نياز | 5 |
| 1-2-1- متن کاوی | 5 |
| 1-2-2- کلاس بندی و پيش بينی | 8 |
| 1-2-3- خوشه بندی | 12 |
| 1-2-4- انتخاب ويژگی | 14 |
| 1-3- هدف تحقيق | 16 |
| فصل دوم: مروری بر تحقیقات پیشین | 18 |
| 2-1- نقش افراد و فرآيندهای مختلف بر آسيب پذيریها | 19 |
| 2-2- روشهای ارزيابی و رده بندی آسيب پذيریها | 24 |
| 2-2-1- سيستم نمره دهی آسيب پذيری متعارف | 25 |
| 2-3- دسته بندی آسيب پذيریها | 30 |
| 2-4- پيش بينی های امنيتی با استفاده از گزارشهای آسيب پذيریها | 36 |
| 2-5- تشخيص آسيب پذيری ها با استفاده از سورس کد نرم افزارها | 36 |
| فصل سوم: داده هاوروش استخراج ويژگیها | 39 |
| 3-1- دادههای تحقيق | 40 |
| 3-2- روش استخراج ويژگیها برای کلاسبندی و پيشبينی | 44 |
| 3-3- روش استخراج ويژگیها برای خوشهبندی | 47 |
| فصل چهارم: روش انجام و نتايج آزمايشات | 50 |
| 4-1- روش و نتايج آزمايشات کلاسبندی و پيشبينی | 51 |
| 4-1-1- پيشبينی بهره کشی برون خط | 51 |
| 4-1-2- پيشبينی بهره کشی برخط | 54 |
| 4-1-3- پيشبينی زمان | 56 |
| 4-2- مقايسه OSVDB و CVE | 62 |
| 4-3- ارزيابی ويژگیها | 64 |
| 4-4- خوشه بندی آسيب پذيریها | 66 |
| 4-4-1- تحليل دسته های موجود در پايگاه داده OSVDB | 68 |
| 4-4-2- ارائه دسته بندی آسيب پذيریها | 78 |
| 4-4-3- ارزيابی دستهبندی ارائه شده | 84 |
| فصل پنجم: بحث و نتيجهگيري | 87 |
| 5-1- پيش بينی بهره کشی از آسيب پذيریها | 88 |
| 5-2- خوشه بندی آسيب پذيریها | 89 |
| نتيجه گيری | 89 |
| پيشنهادات برای پژوهشهای آينده | 90 |
| منابع و ماخذ | 91 |
| فهرست جدولها
| |
| عنوان | صفحه |
| جدول 3- 1: ويژگیهای استخراج شده از هر صفت | 47 |
| جدول 4- 1: دسته بندی بهره کشی آسيب پذيریها و نحوه برچسب زنی | 52 |
| جدول 4- 2: نتايج پيش بينی بهره کشی برون خط برای تعداد کلاس بندی کنندههای مختلف | 53 |
| جدول 4- 3: دقت پيش بينی در آزمايش برون خط برای 9 کلاس بندی کننده | 54 |
| جدول 4- 4: پيش بينی اينکه آيا از آسيب پذيری در T روز آينده بهره کشی خواهد شد يا نه | 58 |
| جدول 4- 5: پيش بينی اينکه آيا از آسيب پذيری در T روز آينده بهره کشی خواهد شد يا نه با روش 10 اعتبار متقاطع 10 قسمتی | 58 |
| جدول 4- 6: پيش بينی اينکه آيا از آسيب پذيری در T روز گذشته بهره کشی شده است يا نه | 59 |
| جدول 4- 7: پيش بينی اينکه آيا از آسيب پذيری در T روز گذشته بهره کشی شده است يا نه، با روش 10 اعتبار متقاطع 10 قسمتی | 59 |
| جدول 4- 8: پيش بينی اينکه آيا بسته اصلاح شده در T روز آينده ارائه خواهد شد يا نه | 60 |
| جدول 4- 9: پيش بينی اينکه آيا بسته اصلاح شده در T روز آينده ارائه خواهد شد يا نه، با روش 10 اعتبار متقاطع 10 قسمتی | 60 |
| جدول 4- 10: نتايج متوازن سازی، نامتوازنترين گروههای پيش بينی زمانی | 61 |
| جدول 4- 11: مقايسه OSVDB و CVE در پيش بينی بهره کشی برون خط | 63 |
| جدول 4- 12: مقايسه OSVDB و CVE برای پيش بينی زمان بهره کشی برای آسيب پذيریهای روز –مثبت | 64 |
| جدول 4- 13: مقايسه OSVDB و CVE برای پيش بينی زمان بهره کشی برای آسيب پذيریهای روز –منفی | 64 |
| جدول 4- 14: مقايسه OSVDB و CVE برای پيش بينی زمان ارائه بسته اصلاح شده | 64 |
| جدول 4- 15: گزارش مختصری از ويژگیهای انتخاب شده | 65 |
| جدول 4- 16: انواع دسته بندی آسيب پذيری موجود در OSVDB | 67 |
| جدول 4- 17: درصد کل نمونه هادرهردسته | 80 |
| جدول 4- 18: نمونه ای از آسيب پذيریهای هر دسته | 81 |
| جدول 4- 19: نمونه ای از آسيب پذيریهای دارای همپوشانی در دسته ها | 83 |
| جدول 4- 20: فاصله منهتن برای دسته هابهروشESOM | 85 |
| جدول 4- 21: فاصله منهتن برای دسته هابهروشK- ميانگين | 85 |
| فهرست تصاویر
| |
| عنوان | صفحه |
| تصوير 1- 1: مراحل متعارف متن کاوی | 7 |
| تصوير 2- 1: چرخه آسيب پذيری تعريف شده بوسيله رويدادهای مشخص. توالی دقيق رويدادها بين آسيب پذيریها متفاوت است (برگرفته از 16) | 20 |
| تصوير 2- 2: فرآيندهای اصلی اکوسيستم امنيتی و رابطه رويدادهای چرخه آسيب پذيری (برگرفته از 16) | 21 |
| تصوير 2- 3: متريکهایCVSS (برگرفته از 24) | 25 |
| تصوير 2- 4: وابستگی متريکهایCVSS (برگرفته از 24) | 25 |
| تصوير 2- 5: فرمول معيار پايه در CVSS | 26 |
| تصوير 2- 6: فرمول معيار زمانی در CVSS | 27 |
| تصوير 2- 7: فرمول معيار محيطی در CVSS | 28 |
| تصوير 2- 8: مدل ساده شدهای از چرخه آسيب پذيریها (برگرفته از 29) | 29 |
| تصوير 2- 9: احتمالات محاسبه شده؛ P0، P1، P2 و P3 برای تصوير 2-8 (محور افق زمان t را نشان میدهد) (برگرفته از 29) | 30 |
| تصوير 3- 1: شمای پايگاه داده OSVDB (برگرفته از 44) | 41 |
| تصوير 3- 2: مراحل پيش پردازش داده هابرای پيش بينی بهره کشي | 43 |
| تصوير 3- 3: مراحل پيش پردازش داده هابرای خوشه بندی آسيب پذيریها | 44 |
| تصوير 3- 4: مراحل استخراج ويژگیها برای کلاس بندی و پيش بينی | 46 |
| تصوير 3- 5: مراحل استخراج ويژگیها برای خوشه بندی | 49 |
| تصوير 4- 1: پارامترهای ورودیESOM | 70 |
| تصوير 4- 2: اجرای خوشه بندیESOM با 1359 ويژگی، الگوريتم آموزش k دسته، تعداد ستونها 82 وتعدادسطرها 50،تعدادگامهای آموزش 20، روش وزن دهی اوليه گوسی | 71 |
| تصوير 4- 3: اجرای خوشه بندیESOM با 1359 ويژگی، الگوريتم آموزش برخط، تعداد ستونها 82 وتعدادسطرها 50،تعدادگامهای آموزش 20، روش وزن دهی اوليه گوسی | 72 |
| تصوير 4- 4: اجرای خوشه بندیESOM با 586 ويژگی، الگوريتم آموزش برخط، تعداد ستونها 82 وتعدادسطرها 50،تعدادگامهای آموزش 20، روش وزن دهی اوليه گوسی | 73 |
| تصوير 4- 5: اجرای خوشه بندیESOM با 586 ويژگی، الگوريتم آموزش برخط، تعداد ستونها 90 وتعدادسطرها 90،تعدادگامهای آموزش 30، روش وزن دهی اوليه گوسی | 74 |
| تصوير 4- 6: اجرای خوشه بندیESOM با 586 ويژگی، الگوريتم آموزش k دسته، تعداد ستونها 100 وتعدادسطرها 120،تعدادگامهای آموزش 40، روش وزن دهی اوليه گوسی | 75 |
| تصوير 4- 7: اجرای خوشه بندیESOM با 586 ويژگی، الگوريتم آموزش برخط، تعداد ستونها 90 وتعدادسطرها 60،تعدادگامهای آموزش 30، روش وزن دهی اوليه انتخاب اعداد تصادفی از فاصله ميانگين منهای 2 برابر انحراف معيار تا ميانگين بعلاوه 2 برابر انحراف معيار | 76 |
| تصوير 4- 8: اجرای خوشه بندیESOM با 586 ويژگی، الگوريتم آموزش k دسته، تعداد ستونها 90 وتعدادسطرها 60،تعدادگامهای آموزش 30، روش وزن دهی اوليه انتخاب اعداد تصادفی از فاصله ميانگين منهای 2 برابر انحراف معيار تا ميانگين بعلاوه 2 برابر انحراف معيار | 77 |
| تصوير 4- 9: نمونه هايي ازنقشه های بررسی شده | 78 |
| تصوير 4- 10: خوشه های انتخاب شده بروی نقشه مشخص شده است. | 79 |
| تصوير 4- 11: نقشه های از اجرا با پارامترهاییکسان | 82 |
| فهرست نمودارها
| |
| عنوان | صفحه |
| نمودار 4- 1: درصد خطای تجمعی کل، خطای منفی غلط و خطای مثبت غلط در آزمايش برخط | 55 |
| نمودار 4- 2: تاثير تعداد نمونههابردقتپيشبينی روشهایSVM و جنگل تصادفی (برگرفته از (53)) | 62 |
راهنمای خرید و دانلود فایل
برای پرداخت، میتوانید از کلیه کارتهای عضو شتاب استفاده نمائید.
بعد از پرداخت آنلاین لینک دانلود فعال و نمایش داده میشود ، همچنین یک نسخه از فایل همان لحظه به ایمیل شما ارسال میگردد.
در صورت بروز هر مشکلی،میتوانید از طریق تماس با ما پیغام بگذارید و یا در تلگرام با ما در تماس باشید، تا شکایت شما مورد بررسی قرار گیرد.
برای دانلود فایل روی دکمه خرید و دانلود کلیک نمایید.
ديدگاه ها