تحلیل شناختی مبتنی بر یادگیری ماشینی لاگ های وب

لاگ ها حاوی اطلاعات ارزشمندی در مورد اقدامات کاربر بر روی وب هستند که کاربردهای فراوانی در حوزه های امنیتی، صنایع و علوم گوناگون دارند. لاگ‌ها یک منبع بسیار عالی برای تعیین سلامت وضعیت سیستم هستند. هر روزه حجم عظیمی از لاگ ها که فعالیت های کاربران را ثبت می کنند تولید می شوند که تحلیل آنها با روش های سنتی، کاری بسیار دشوار است بنابراین نیاز به استفاده از روش های تحلیل هوشمند و شناختی است. در حال حاضر روش های یادگیری ماشین به عنوان ابزاری کارآمد در پردازش و تحلیل لاگ های وب به کار گرفته می شوند. ما در این مقاله با بهره گیری از ساختاری که از شبکه عصبی 5 لایه با 2461 پارامتر و توابع فعالسازی سیگموید،تانژانت هیپربولیک و رلو استفاده می کند، توانستیم علاوه بر هوشمند کردن شناسایی تهدیدات سایبری به نتایج مطلوبی در دقت و کمینه کردن تابع خطا بر روی لاگ های جمع آوری شده از پلتفرم ec2 آمازون با معیار ارزیابی f1 برابر یک، در مقایسه با سایر روش های مرسوم یادگیری ماشین از قبیل خوشه بندی،درخت تصمیم،ماشین های بردار پشتیبان،تحلیل مولفه اصلی،جنگل ایزوله و رگرسیون لجستیک دست یابیم.

Cognitive Analysis Based On Machine Learning For Web Logs

Logs contain valuable information about user actions on the web that are widely used in a variety of security, industry and science areas. Logs are an excellent resource for determining the health of a system. An enormous amount of logs are generated every day that record users' activities, which is very difficult to analyze in traditional ways, so there is a need for intelligent and cognitive analytics. Machine learning techniques are currently used as an efficient tool in the processing and analysis of web logs. In this paper, we used a 5-layer neural network with 2461 parameters and sigmoid, hyperbolic and relay activation functions, in addition to intelligently detecting cyber threats to optimal results in accuracy and minimizing error function. In analyzing web logs compared to other conventional machine learning methods such as clustering, decision tree, support vector machines, principal component analysis, isolated forest and logistic regression.