fa استخراج ویژگی‌های ساختاری فایل‌های کامپیوتری مبتنی بر تحلیل و ارزیابی آماری مقالات پردازش داده‌های رقمی Paper پژوهشي Research <p><strong>فایل‌ها مهم‌ترین منبع ارائه اطلاعات به صورت‌های مختلف از قبیل متن، صوت، تصویر، صفحات وب و غیره هستند؛ تحلیل و آنالیز فایل‌ها به منظور شناخت و بررسی ویژگی‌ها و خصوصیات منحصربه‌فرد آن‌ها، یکی از مسائل بسیار مهم در زمینه حریم خصوصی، امنیت اطلاعات، شناسایی نوع فایل‌ها، تحلیل ساختاری کدها و غیره می‌باشد. در این مقاله با تحلیل و آنالیز آماری بر روی محتوای باینری فایل‌ها مبتنی بر مدل </strong><strong><span dir="LTR">n-gram</span></strong><strong>، ویژگی‌ها و خصوصیات مختلف یک فایل مورد بررسی قرار گرفته است. علاوه بر این به منظور کاهش حجم محاسبات و حافظه مورد نیاز مدل </strong><strong><span dir="LTR">n-gram</span></strong><strong>، از خوشه‌بندی لغات استفاده شده و محتوای هر فایل در دو حالت کامل و بلوک‌بندی شده مورد تجزیه و تحلیل قرار گرفته است. در حالت کامل ویژگی‌هایی همچون آنتروپی، فراوانی، </strong><strong><span dir="LTR">TF-IDF</span></strong><strong>، خود همبستگی و در حالت بلوکی، ویژگی‌هایی همچون نرخ آنتروپی، بعد فرکتال، فاصله و غیره بررسی شده است. نتایج بررسی‌ها نشان داده ویژگی‌های استخراج شده در روش اول به خوبی می‌توانند خصوصیات منحصر به فرد فایل‌های </strong><strong><span dir="LTR">jpg</span></strong><strong>، </strong><strong><span dir="LTR">mp3</span></strong><strong>، </strong><strong><span dir="LTR">swf</span></strong><strong> و </strong><strong><span dir="LTR">html</span></strong><strong> را منعکس نمایند. ویژگی‌های استخراج شده در روش دوم نیز به خوبی می‌توانند خصوصیات فایل‌های </strong><strong><span dir="LTR">doc</span></strong><strong>، </strong><strong><span dir="LTR">html</span></strong><strong> و </strong><strong><span dir="LTR">pdf</span></strong><strong> را منعکس نمایند.</strong></p> <p><strong>Files are the most important sources of information presenting in various formats such as texts, audio, video, images, web pages, etc. &hellip;; (in-depth) analysis of files for the purpose of recognition and investigating their unique properties (or characteristics) is one of the most significant issues in the field of personal security safety, information security, file-type identification, codes structuration analysis etc&hellip;. Statistical analytic methodology of working on the binary files contents based on the n-gram model has been opted for in the present paper in order to full investigate all different aspects of a file&rsquo;s range of characteristics. Moreover, to reduce down the calculations volume and the n-gram model peculiar to the needed amount of memory, use has been made of word clustering. Later on analysis has been conducted on both files&rsquo; contents in two states of &ldquo;blocking&rdquo; and &ldquo;full&rdquo;: it is to be noted that in the &ldquo;full&rdquo; case such characteristics as Chi-square, Auto-correlation, Weighted term frequency-Inverse document frequency (TF-IDF), Fractal dimension etc &hellip; have been brought under comprehensive study; while in the &ldquo;blocking&rdquo; case, other properties like the entropy rate, the distance, etc &hellip; have been delved into. The gained results indicate that the extracted characteristics in the first method could well easily reflect the unique properties belonging to jpg, mp3, swf and html files; and in the second method, are able to clearly well reflect doc, html and pdf files properties.</strong></p> <p></p> فایل‌های کامپیوتری, مدل n-gram, خوشه‌بندی لغات, ضریب خود همبستگی, TF-IDF, نرخ آنتروپی, فاصله کانبرا Files, n-gram model, word clustering, Canberra distance, entropy rate, Fractal dimension 43 62 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-359-1&slc_lang=fa&sid=1 Majid Vafaei Jahan مجید وفایی جهان vafaeija@yahoo.com 10031947532846004955 10031947532846004955 Yes Islamic azad university mashhad branch دانشگاه آزاد اسلامی مشهد