دوره 22، شماره 4 - ( 12-1404 )                   جلد 22 شماره 4 صفحات 3-18 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
rahnema A, akhoodad Z. KANFlow: A Novel Approach to Encrypted Traffic Identification Using Kolmogorov-Arnold Network. JSDP 2026; 22 (4) : 1
URL: http://jsdp.rcisp.ac.ir/article-1-1464-fa.html
رهنما علی، آخوداد زهرا. رویکردی نوین برای شناسایی ترافیک رمزنگاری‌شده با استفاده از شبکه کلموگورف-آرنولد. پردازش علائم و داده‌ها. 1404; 22 (4) :18-3

URL: http://jsdp.rcisp.ac.ir/article-1-1464-fa.html

رویکردی نوین برای شناسایی ترافیک رمزنگاری‌شده با استفاده از شبکه کلموگورف-آرنولد
علی رهنما* ، زهرا آخوداد
دانشجوی دکترای فناوری اطلاعات، دانشگاه قم، قم، ایران
چکیده:   (106 مشاهده)
یکی از مشکلات اصلی در شبکه‌های مدرن، طبقه‌بندی ترافیک رمزنگاری شده‌ای است که از جریان داده‌های پردازش‌نشده به‌دلیل مشکل در ساختار و الگوهای پنهان به‌وجود می‌آید. در این مقاله، چهارچوبی جدید به‌نام seqKAN معرفی شده‌است که با ترکیب شبکه‌های LSTM و یا CNN برای استخراج وابستگی‌های زمانی و معماری KAN برای مدل‌سازی روابط غیرخطی، عملکرد دقیقی در تحلیل جریان‌های شبکه ارائه می‌دهد. برای افزایش دقت و قابلیت اطمینان، این مدل با روش‌های RKHS و ODE ترکیب شده‌است و تأثیر مستقل و ترکیبی هر کدام، از طریق یک مطالعه حذفی[1] بررسی شده‌است. نتایج روی مجموعه‌داده‌های واقعی رمزنگاری‌شده نشان می‌دهد افزودن لایه RKHS نقش مؤثری در افزایش دقت و مقاومت مدل دارد؛ همچنین، با استفاده از تحلیل‌های کمی SHAP و LIME و قابلیت بصری‌سازی ذاتی  KAN، نحوه شناسایی ویژگی‌های موثر و یادگیری خودکار روابط معنادار در مدل بررسی شده‌است. معماری پیشنهادی تعادلی مناسب میان دقت، کارایی و تفسیرپذیری برقرار کرده و راهکاری مؤثر برای تحلیل هوشمند ترافیک شبکه ارائه می‌دهد.
[1] Ablation Study
شماره‌ی مقاله: 1
واژه‌های کلیدی: شناسایی ترافیک، شبکه کلموگورف-آرنولد، یادگیری عمیق
متن کامل [PDF 1156 kb]   (64 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات گروه امنیت اطلاعات
دریافت: 1403/12/25 | پذیرش: 1404/11/19 | انتشار: 1404/12/29 | انتشار الکترونیک: 1404/12/29
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.