پروپزال تحلیل ترافیک رمز شده نرم افزارهای پیام رسان مبتنی بر اندروید با استفاده از یادگیری ماشین

پایان نامه كارشناسي ارشد_رشته کامپیوتر

فهرست مطالب

• بيان مسأله
• اهمیت و ضرورت انجام تحقيق
• مرور ادبیات و سوابق مربوطه
• جنبه جديد بودن و نوآوري در تحقيق
• اهداف مشخص تحقيق (شامل اهداف آرماني، کلی، اهداف ويژه و كاربردي)
• سؤالات تحقیق
• فرضيه ‏هاي تحقیق
• روش تحقیق
• تعريف واژه‏ها و اصطلاحات فني و تخصصی (به صورت مفهومی و عملیاتی)
• منابع

بخش هایی از مطالب پروپزال تحلیل ترافیک رمز شده نرم افزارهای پیام رسان مبتنی بر اندروید با استفاده از یادگیری ماشین

بيان مسأله

کاربران شبکه جهاني اينترنت به طور پيوسته رو به افزايش هستند و هر روز شاهد ورود برنامه­هاي کاربردي جديد و متنوع به ترافيک اينترنت هستيم. بازي‌هاي برخط، کاربردهاي به اشتراک گذاري فايل، ويدئو کنفرانس‌ها و مکالمات بر روي شبکه IP به مرور سهم بيشتري از ظرفيت خطوط ارتباطي شبکه اينترنت را به خود اختصاص مي‌دهند. همچنين انواع ترافيک‌هاي مخرب و تهديدات امنيتي در فضاي سايبري رو به افزايش است که امنيت کاربران را به خطر مي‌اندازد

همچنين با توجه به افزايش بدافزارها و تلاش آن‌ها براي پنهان سازي ترافيک خود به منظور گريز از سيستم­ هاي تشخيص نفوذ و دور زدن ديوارهاي آتش، دسته‌بندي ترافيک به عنوان يک گام اوليه در تشخيص نفوذ و تأمين امنيت شبکه در مقابل تهديدات سايبري داراي اهميت است…

اهداف تحقیق

1. تحلیل ترافیک رمز شده نرم افزارهای پیام رسان مبتنی بر اندروید
2. استخراج اعمال کاربران نظیر ارسال و دریافت پیام از ترافیک رمز شده

روش تحقیق

همان طور که میدانیم پروتکل های متعددی برای رمزگذاری بسته ها در جریان شبکه استفاده می شوند مانندTLS  یا SSL. این پروتکل ها در قالب RFC های مختلف ، استاندارد شده اند. نرم افزارهای موبایل زیادی از این پروتکل ها استفاده می کنند [11]. برای انجام تحقیق فوق ابتدا باید نرم افزارهای پیام رسان معروفی که از پروتکل های رمزنگاری استفاده می کنند انتخاب کنیم و برای این سری از نرم افزار ها مجموعه ای از اعمال کاربران مانند ارسال و دریافت پیغام یا ارسال و دریافت فایل را در نظر می گیریم [12]. جهت انجام این اعمال باید یکسری از سناریوها را پیاده سازی کنیم بدین صورت که مثلا با استفاده از WhatsApp به ارسال و دریافت پیام می پردازیم….

منابع

[1] Asrodia, P., & Patel, H. (2012). Network traffic analysis using packet sniffer.International Journal of Engineering Research and Applications, 2(3), 854-856.

[2] Arora, A., Garg, S., & Peddoju, S. K. (2014, September). Malware detection using network traffic analysis in android based mobile devices. In 2014 Eighth International Conference on Next Generation Mobile Apps, Services and Technologies (pp. 66-71). IEEE.

[3] Dong, C., Zhang, S., Lei, Z., Yang, J., & Cheng, G. (2013, April). Analyzing GPRS mobile network traffic with map reduce. In Wireless Communications and Networking Conference Workshops (WCNCW), 2013 IEEE (pp. 129-134). IEEE.

[4] Barbareschi, M., Mazzeo, A., & Vespoli, A. (2013, December). Network traffic analysis using android on a hybrid computing architecture. InInternational Conference on Algorithms and Architectures for Parallel Processing (pp. 141-148). Springer International Publishing.

[5] Davidoff, S., & Ham, J. (2012). Network forensics: tracking hackers through cyberspace. Upper Saddle River: Prentice hall.

[6] Lee, Y., & Lee, Y. (2013). Toward scalable internet traffic measurement and analysis with hadoop. ACM SIGCOMM Computer Communication Review,43(1), 5-13.

[7] Alshammari, R., & Zincir-Heywood, A. N. (2009). Machine learning based encrypted traffic classification: Identifying SSH and Skype. CISDA, 9, 289-296.

[8] Bacquet, C., Zincir-Heywood, A. N., & Heywood, M. I. (2009). An investigation of multi-objective genetic algorithms for encrypted traffic identification. In Computational Intelligence in Security for Information Systems (pp. 93-100). Springer Berlin Heidelberg.

[9] Erman, J., Mahanti, A., Arlitt, M., Cohen, I., & Williamson, C. (2007). Offline/realtime traffic classification using semi-supervised learning.Performance Evaluation, 64(9), 1194-1213.

[10] Moore, A. W., & Zuev, D. (2005, June). Internet traffic classification using bayesian analysis techniques. In ACM SIGMETRICS Performance Evaluation Review (Vol. 33, No. 1, pp. 50-60). ACM.

[11] Asrodia, P., & Patel, H. (2012). Analysis of various packet sniffing tools for network monitoring and analysis. International Journal of Electrical, Electronics and Computer Engineering, 1(1), 55-58.

[12] So-In, C. (2009). A survey of network traffic monitoring and analysis tools.Cse 576m computer system analysis project, Washington University in St. Louis.

[13] Biswas, J. (2014). An Insight in to Network Traffic Analysis using Packet Sniffer. International Journal of Computer Applications, 94(11)

پروپزال تحلیل ترافیک رمز شده نرم افزارهای پیام رسان مبتنی بر اندروید با استفاده از یادگیری ماشین-رشته کامپیوتر-تهیه شده توسط ماهان داک