|
|
|
|
مروری بر آزمون نفوذ وب
|
|
|
|
|
|
|
|
نویسنده
|
میرجلیلی مهین السادات ,نوروزی علیرضا ,علیدوستی میترا
|
|
منبع
|
منادي امنيت فضاي توليد و تبادل اطلاعات - 1393 - شماره : 2 - صفحه:65 -82
|
|
|
|
|
چکیده
|
در این مقاله مروری بر آزمون نفوذ و به طور خاص درزمینه ی وب خواهیم داشت. در جهت این امر، ابتدا مقالاتی که به طورکلی به آزمون نفوذ و روش های انجام آن اشاره نموده اند پرداخته شده و سپس مقالات موجود درزمینه ی آزمون نفوذ وب از سه جهت مقایسه ابزار های انجام شده آزمون نفوذ به صورت خودکار، معرفی روش یا ابزار جدیدی برای انجام آزمون نفوذ به صورت دستی و مقالاتی که محیط آزمونی را جهت آموزش و یا امکان بررسی ابزار ها و روش های مختلف ارائه نموده اند، تقسیم بندی نمود. در این مقاله چهار متدلوژی مختلف برای انجام آزمون نفوذ وب، سیزده مقاله درزمینه ی مقایسه ی پویشگر های آسیب پذیری وب، ده مقاله که روش یا ابزار جدیدی برای انجام آزمون نفوذ ارائه داده اند و چهار محیط آزمون، موردبررسی قرارگرفته اند.
|
|
کلیدواژه
|
آزمون‌نفوذ، آسیب‌پذیری‌های تحت وب، پویشگر
|
|
آدرس
|
دانشگاه صنعتی مالک اشتر, ایران, دانشگاه صنعتی مالک اشتر, ایران, دانشگاه صنعتی مالک اشتر, ایران
|
|
پست الکترونیکی
|
mitra.alidoosti@gmail.com
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Authors
|
|
|
Abstract
|
Abstract One of the most important issues in securing computer networks is an Intrusion Detection System. Intrusion detection systems are searching for malicious behavior, deviation normal patterns and attacks on computer networks are discovered. This system recognizes the type of traffic allowed for unauthorized traffic. Since the today's data mining techniques to intrusion detection in computer networks are used. In this research is provided, a method for designing an intrusion detection system based on machine learning. One of the features of neural networks and machine learning systems, training is based on the training data. In this research is used for detecting the intrusion of machine learning to learn the features of the theory of Rough property that has a higher correlation coefficient is used. To train and evaluate has used the proposed approach the KDD CUP 99 dataset. This study, the accuracy of our method compares with featurebased learning algorithm, neural network self and decision tree. The simulation results show that the proposed system has high accuracy and speed of detection based on rough theory is right
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|