بهبود كارايي الگوريتم تشخيص حمله انگشت نگاري وبسايت با استفاده از تحليل مولفه هاي اساسي

حمله انگشت نگاري وبسايت يك روش مبتني بر تحليل ترافيك است كه در آن يك مهاجم محلي و غيرفعال، صفحات وب ملاقات شده توسط كاربران را شناسايي مي كند. فرآيند شناسايي در دو مرحله انجام مي شود: ابتدا مهاجم با جمع آوري دنباله هاي بسته صفحات مختلف وب و استخراج ويژگي آنها، دسته بند مناسب را آموزش مي دهد. سپس با كمك اين دسته بند، صفحات وب ملاقات شده توسط كاربر را شناسايي مي كند .تاكنون روش هاي مختلفي براي انگشت نگاري صفحه وب به كار رفته است كه يكي از رايج ترين آنها روش k-نزديك ترين همسايه است. با توجه به ماهيت پوياي صفحات وب، نياز است كه الگوريتم دسته بند به طور مكرر آموزش ببيند. ولي در اكثر روش هاي ارائه شده، براي سادگي، ماهيت پوياي صفحات وب ناديده گرفته شده است؛ درحاليكه به علت نياز به اجراهاي مكرر، سرعت آموزش الگوريتم دسته بند حائز اهميت است. اين مقاله روشي براي افزايش سرعت آموزش الگوريتم k-نزديك ترين همسايه وزن دار براي دسته بندي ترافيك ارائه مي دهد كه در آن، ابعاد فضاي ويژگي هاي ترافيك با استفاده از «تحليل مولفه هاي اساسي» كاهش مي يابد تا بدين طريق سرعت آموزش الگوريتم دسته بند افزايش يابد. نتايج نشان مي دهند كه اين روش، با در نظر گرفتن تنظيمات جهان-باز، ضمن حفظ تقريبي دقت تشخيص، سرعت آموزش در اثر تغييرات صفحات وب را تا حدود چهار برابر افزايش مي دهد.