گاساتا (GASATA) یک الگوریتم ژنتیکی به عنوان ابزاری جایگزین برای تحلیل آزمون های حسابرسی امنیت GasSATA, a Genetic Algorithm. as an Alternative Tool. for Security Audit Trails Analysis

رشته های مرتبط مهندسی کامپیوتر، برنامه نویسی کامپیوتر و مهندسی الگوریتم ها و محاسبات
۲- استفاده از الگوریتم های ژنتیکی برای تشخیص سوء استفاده الگوریتم های ژنتیکی(GA)، الگوریتم های جست و جوی بهینه بر اساس مکانیسم انتخاب طبیعی در یک جمعیت می باشد. یک جمعیت، مجموعه ای از موجودات مصنوعی( افراد یا کروموزوم ها) می باشد. این موجودات، رشته های به طول ۱ می باشند که یک راه حل بالقوه را برای حل مسئله کد گذاری می کنند که اغلب اوقات کد گذاری با یک الفبای دو دویی صورت می گیرد. اندازه L جمعیت، ثابت است. جمعیت به طور تصادفی ایجاد شده و سپس تکامل می یابد: در هر نسل، یک مجموعه جدیدی از موجودات مصنوعی، با استفاده از تواناترین یا بخش هایی از توانمند ترین افراد، ایجاد می شود. توانایی هر فرد معمولا تابع بهینه سازی شده( تابع برازش) برای نقطه متناظر با فرد است. فرایند تکراری خلق جمعیت با سه اپراتور( عملگر) زنتیکی پایه بدست می اید: انتخاب( انتخاب مناسب ترین افراد)، تولید مثل یا کراس اور( بهبود کشف مناطق جدید فضای جست و جو با کراسینگ اور بخش هایی از افراد) و موتاسیون( حفاظت از جمعیت در برابر از دست رفت اطلاعات). ساختار عمومی GA به شرح زیر است: تولید تصادفی اولین نسل تکرار انتخاب فرد تولید مثل موتاسیون تا زمانی که معیار های توقف بدست بیایند. اپراتور های( عملگر های) ژنتیکی، عملگر های تصادفی می باشند، با این حال الگوریتم های ژنتیکی پیمایش های تصادفی ساده نمی باشند: آن ها به طور کارامد از اطلاعات تاریخی برای فرض نقاط جست و جوی جدید با عملکرد مورد انتظار استفاده می کنند. دو زیر مسئله در زمان کاربرد GA به یک مسئله ویژه حادث می شوند: ۱- کد گذاری یک راه حل برای آن مسئله با یک رشته بیتی ۲- یافتن یک تابع برازش برای ارزیابی هر فرد از جمعیت. ۲-۱ کد گذاری یک راه حل با رشته دو دویی یک فرد، یک رشته به طول ۱ است که یک راه حل بالقوه را برای مسئله کد گذاری می کند. در این مورد، کد گذاری ساده است: طول یک فرد Na می باشد و هر فرد در جمعیت متناظر با بردار h می باشد که در بخش ۱ تعریف شده است.