تشخیص نفوذ با تکنیکهای داده کاوی

رشته فناوری اطلاعات (IT)
دانلود پایان‌نامه كارشناسی ارشد مهندسی فناوری اطلاعات تشخیص نفوذ با تکنیکهای داده کاوی چکیده با رشد فناوری اطلاعات، امنیت شبکه به عنوان یکی از مباحث مهم و چالش بسیار بزرگ مطرح است. سیستم های تشخیص نفوذ، مولفه اصلی یک شبکه امن است. سیستم های تشخیص نفوذ سنتی نمی توانند خود را با حملات جدید تطبیق دهند از این رو امروزه سیستم های تشخیص نفوذ مبتنی بر داده کاوی مطرح گردیده اند. مشخص نمودن الگوهای در حجم زیاد داده، کمک بسیار بزرگی به ما می کند. روش های داده کاوی با مشخص نمودن یک برچسب دودویی (بسته نرمال، بسته غیر نرمال) و همچنین مشخص نمودن ویژگی ها و خصیصه با الگوریتم های دسته بندی می توانند داده غیر نرمال تشخیص دهند. از همین رو دقت و درستی سیستم های تشخیص نفوذ افزایش یافته و در نتیجه امنیت شبکه بالا می رود. در این پایان نامه ما مدلی پیشنهادی ارائه می نماییم که الگوریتم های مختلف دسته بندی را روی مجموعه داده خود تست نموده و نتایج شبیه سازی نشان می دهد در درخت تصمیم الگوریتم J48 ، شبکه عصبی الگوریتم Neural net ، شبکه بیزین الگوریتم HNB ، مدل کاهل الگوریتم K-STAR، در ماشین بردار پشتیبان الگوریتم LibSVM و در مدل قانون محور الگوریتمRule Induction Single Attribute دارای بهترین جواب از نظر پارامترهای مختلف ارزیابی برای سیستم تشخیص نفوذ است. بین تمامی الگوریتم ها با این مجموعه داده، الگوریتم J48 دارای بالاترین مقدار درستی به میزان 85.49%، دارای بالاترین میزان دقت به مقدار 86.57% و دارای بالاترین مقدار یادآوری به مقدار 86.57% می باشد. نوآوری اصلی در پایان نامه، استفاده از الگوریتم های مدل کاهل و مدل قانون محور است که تاکنون برای سیستم های تشخیص نفوذ استفاده نشده است. و همچنین پیشنهاد 5 نمونه داده که از داده اولیه استخراج شده که برای مدل-های مختلف و الگوریتم ها بهترین جواب را می دهد. کلمات کلیدی: داده کاوی کشف تقلب یادگیری بانظارت تشخیص نفوذ و حملات مقدمه از آنجایی که از نظر تکنیکی ایجاد سیستم های کامپیوتری بدون نقاط ضعف و شکست امنیتی عملا غیر ممکن است. تشخیص نفوذ در سیستم-های کامپیوتری با اهمیت خاصی دنبال می شود. سیستم های تشخیص نفوذ سخت افزار یا نرم افزاری است که کار نظارت بر شبکه کامپیوتری را در مورد فعالیت های مخرب و یا نقص سیاست های مدیریتی و امنیتی را انجام می-دهد و گزارش های حاصله را به بخش مدیریت شبکه ارائه می دهد‎[1]. سیستم های تشخیص نفوذ وظیف شناسایی و تشخیص هر گونه استفاده غیر مجاز به سیستم، سوء استفاده و یا آسیب رسانی توسط هر دودسته کاربران داخلی و خارجی را بر عهده دارند. هدف این سیستم ها جلوگیری از حمله نیست و تنها کشف و احتمالا شناسایی حملات و تشخیص اشکالات امنیتی در سیستم یا شبکه کامپیوتری و اعلام آن به مدیر سیستم است. عموما سیستم های تشخیص نفوذ در کنار دیوارهای آتش و بصورت مکمل امنیتی برای آن ها مورد استفاده قرار می گیرد. سیستم های تشخیص نفوذ ستنی نمی توانند خود را با حملات جدید تطبیق دهند از این رو امروزه سیستم های تشخیص نفوذ مبتنی بر داده کاوی مطرح گردیده اند‎[1]. مشخص نمودن الگوهای در حجم زیاد داده، کمک بسیار بزرگی به ما می-کند. روش های داده کاوی با مشخص نمودن یک برچسب دودویی (بسته نرمال، بسته غیر نرمال) و همچنین مشخص نمودن ویژگی ها و خصیصه با الگوریتم های دسته بندی می توانند داده غیر نرمال تشخیص دهند. از همین رو دقت و درستی سیستم های تشخیص نفوذ افزایش یافته و در نتیجه امنیت شبکه بالا می رود‎[1]. در این پایان نامه سعی شده است با استفاده از روش های مبتنی بر داده کاوی سیتم های تشخیص نفوذ پیشنهاد کنیم که از این روش ها برای شناسایی و کشف حملات استفاده می کنند. در این روش ما تمامی الگوریتم های موجود را شبیه سازی نموده و در خاتمه بهترین الگوریتم را پیشنهاد می نماییم. نوآوری اصلی در این پایان نامه، استفاده از الگوریتم های مدل کاهل و مدل قانون محور در داده کاوی است که تاکنون برای سیستم-های تشخیص نفوذ استفاده نشده است. همچنین استفاده از تمام الگوریتم-های موجود در روش های دسته بندی است که در نرم افزار WEKA و Rapidminer موجود است[67]. پیشنهاد 5 نمونه داده که از داده اولیه استخراج شده و برای مدل های مختلف و الگوریتم ها بهترین جواب را می دهد از نوآوری این پایان نامه است. استخراج 5 نمونه داده وقت بسیار زیادی به خود اختصاص داده وهمه الگوریتم های مختلف موجود در مدل های دسته بندی با مجموعه داده های مختلف شبیه سازی و اجرا شدند که در نهایت 5 نمونه داده اولیه پیشنهاد نموده ایم. فهرست مطالب فصل اول 1 1-1 مقدمه 2 1-2 بیان مسئله 3 1-3 اهمیت و ضرورت تحقیق 4 1-4 اهداف تحقیق 5 1-5 تعاریف و اختصار 6 1-6 ساختار پایاننامه 9 فصل دوم 10 2-1 داده کاوی 11 2-1-1دسته بندی 11 2-2مدلها و الگوریتمهای دادهکاوی 13 2-2-1 شبکه های عصبی 13 2-2-2درخت تصمیم 16 2-2-3 روش طبقه بندی بیزین 19 2-3-2-2 شبکه های بیزین 20 2-2-4 مدل قانون محور 22 2-2-5 مدل کاهل 26 2-2-6ماشین بردارپشتیبان 32 2-3 مقدمه ای بر تقلب 36 2-3-1 ساختن مدل برای تقلب 36 2-3-2 اصول کلی تقلب: 36 2-3-3 چگونگی شناسایی تقلب: 37 2-3-4 چگونگی ساخت مدل تقلب: 37 2-4 مقدمه ای بر سیستم تشخیص نفوذ 38 2-4-1 تعاریف اولیه 39 2-4-2 وظایف عمومی یک سیستم تشخیص نفوذ: 39 2-4-3 دلایل استفاده از سیستم های تشخیص نفوذ: 40 2-4-4 جمع آوری اطلاعات 41 2-4-5 تشخیص و تحلیل: 41 2-4-6 تشخیص سوء استفاده: 41 2-4-7 تشخیص ناهنجاری: 42 2-4-8 مقایسه بین تشخیص سوء استفاده و تشخیص ناهنجاری: 42 2-4-9 پیاده سازی سیستمهای تشخیص نفوذ: 42 2-5 تعاریف برخی مقادیر ارزیابی مورد استفاده در سیستم داده کاوی: 44 2-5-1Confusion matrix: 46 2-5-2 درستی 47 2-5-3 میزان خطا 47 2-5-4 حساسیت، میزان مثبت واقعی، یاد آوری 47 2-5-5 ویژگی، میزان منفی واقعی 48 2-5-6 حساسیت: 48 2-5-7دقت 49 2-5-8 معیار F: 49 2-6 پژوهشهای انجام شده در این زمینه: 50 2-6-1 پژوهش اول: کشف تقلب در سیستم های مالی با استفاده از داده کاوی 51 2-6-2 پژوهش دوم: کشف تقلب در کارت اعتباری با استفاده از شبکه عصبی و بیزین 53 2-6-3پژوهش سوم: شناسایی تقلب بیمه با استفاده از تکنیکهای داده کاوی 56 2-6-4 پژوهش چهارم: استفاده از الگوریتم ژنتیک برای تشخیص تست نفوذ 62 2-6-5 پژوهش پنجم: شناسایی ترافیک غیرنرمال در شبکه با الگوریتم خوشه بندی 65 فصل سوم 3-1 روش تحقیق 71 3-2 داده های آموزشی و تست: 73 3-2-1 ویژگی های داده ها 73 3-2-2 ویژگیهای اساسی مجموعه دادهها: 73 فصل چهارم 4-1 الگوریتمهای مدل بیزین و ارزیابی آنها 83 4-2 مدل کاهل 92 4-3 شبکه عصبی 99 4-4 مدل قانون محور 108 4-5 درخت تصمیم 118 4-6 ماشین بردار پشتیبان 130 فصل پنجم 139 5-1 مقدمه 140 5-2 مزایا 141 5-3 پیشنهادات 141 فهرست منابع 144 پیوستها 148 پیوست الف -مجموعه داده نوع اول: 148 پیوست ب-مجموعه داده نوع دوم 153 پیوست ج-نوع داده مجموعه سوم: 156 پیوست د-مجموعه داده نوع چهارم 161 پیوست ه -مجموعه داده نوع پنجم 190   فهرست جداول جدول‏2 1: تعریف معیارها 45 جدول‏2 2: ماتریس Confusion 46 جدول‏2 3:معیارهای مختلف ارزیابی وفرمول آنها‎‎ 50 جدول‏2 4: مقایسه نتیجه بین شبکه عصبی وشبکه بیزین 56 جدول‏2 5: داده برای دسته بندی بیزین‎‎ 59 جدول‏2 6: داده برای دسته بندی بیزین‎‎ 60 جدول‏2 7: ارزیابی درخت تصمیم‎‎ 62 جدول‏2 11: ارزیابی با استفاده ازخوشه بندی 69 جدول‏3 1 :ویژگی های اساسی استخراج شده ازارتباطTCP 74 جدول‏3 2 :ویژگی های استخراجی ازارتباطTCP 74 جدول‏3 3: ویژگیهای استخراج شده ازپنجره 76 جدول‏4 2: ماتریس Confusion الگوریتم Kernel naive Baysian 83 جدول‏4 1: معیارهای ارزیابی ونتایج الگوریتم Kernel naive Baysian 84 جدول‏4 4: ماتریس Confusion الگوریتم Naive Baysian 84 جدول‏4 3: معیارهای ارزیابی ونتایج الگوریتم Naive Baysian 84 جدول‏4 6: ماتریس Confusion الگوریتم Waode 85 جدول‏4 5: معیارهای ارزیابی ونتایج الگوریتم Waode 85 جدول‏4 8: ماتریس Confusion الگوریتم Aode 85 جدول‏4 7: معیارهای ارزیابی و نتایج الگوریتم Aode 86 جدول‏4 10: ماتریسConfusion الگوریتم Aodesr 86 جدول‏4 9: معیارهای ارزیابی ونتایج الگوریتم Aodesr 86 جدول‏4 12: ماتریسConfusion الگوریتم Bayesenet 87 جدول‏4 11: معیارهای ارزیابی ونتایج الگوریتم Bayesenet 87 جدول‏4 13: معیارهای ارزیابی ونتایج الگوریتم HNB 88 جدول‏4 14: ماتریسConfusion الگوریتم HNB 88 جدول‏4 16: ماتریس Confusion الگوریتم Dmnbtext 88 جدول‏4 15: معیارهای ارزیابی ونتایج الگوریتم Dmnbtext 89 جدول‏4 18: ماتریسConfusion الگوریتم BaysianLogic Regression 89 جدول‏4 17: معیارهای ارزیابی ونتایج الگوریتم BaysianLogic Regression 89 جدول‏4 20: ماتریسConfusion الگوریتم IB1 93 جدول‏4 19: معیارهای ارزیابی و نتایج الگوریتم IB1 93 جدول‏4 21: معیارهای ارزیابی ونتایج الگوریتم IBK 93 جدول‏4 22: ماتریس Confusion الگوریتم IBK 94 جدول‏4 24: ماتریس Confusion الگوریتم LWL 94 جدول‏4 23: معیارهای ارزیابی ونتایج الگوریتم LWL 94 جدول‏4 26: ماتریسConfusion الگوریتم KSTAR 95 جدول‏4 25: معیارهای ارزیابی ونتایج الگوریتم KSTAR 95 جدول‏4 27: معیارهای ارزیابی ونتایج الگوریتم KNN 95 جدول‏4 28: ماتریس Confusion الگوریتم KNN 96 جدول‏4 29: معیارهای ارزیابی ونتایج شبکه MLP 101 جدول‏4 30: ماتریس ConfusionشبکهMLP 101 جدول‏4 32: ماتریس Confusionشبکه Perceptrons 102 جدول‏4 31: معیارهای ارزیابی ونتایج شبکه Perceptrons 103 جدول‏4 34: ماتریسConfusion الگوریتم RBF 104 جدول‏4 33: معیارهای ارزیابی ونتایج الگوریتم RBF 104 جدول‏4 36:ماتریسConfusion الگوریتم Neural net 105 جدول‏4 35:معیارهای ارزیابی ونتایج الگوریتم Neural net 105 جدول‏4 38: ماتریس Confusion الگوریتم Conjuctive rule 108 جدول‏4 37: معیارهای ارزیابی ونتایج الگوریتم Conjuctive rule 108 جدول‏4 39: معیارهای ارزیابی ونتایج الگوریتم decision table 109 جدول‏4 40: ماتریسConfusion الگوریتم decision table 109 جدول‏4 41 :معیارهای ارزیابی ونتایج الگوریتم DTNB 110 جدول‏4 42: ماتریسConfusion الگوریتم DTNB 110 جدول‏4 44: ماتریس Confusion الگوریتم JRIP 110 جدول‏4 43: معیارهای ارزیابی ونتایج الگوریتم JRIP 111 جدول‏4 45: معیارهای ارزیابی ونتایج الگوریتم ONER 111 جدول‏4 46: ماتریس Confusion الگوریتم ONER 111 جدول‏4 47: معیارهای ارزیابی ونتایج الگوریتم PRSIM 112 جدول‏4 48: ماتریس Confusion الگوریتم PRSIM 112 جدول‏4 49: معیارهای ارزیابی ونتایج الگوریتم RIDOR 112 جدول‏4 50: ماتریسConfusion الگوریتم RIDOR 113 جدول‏4 51: معیارهای ارزیابی ونتایج الگوریتم RULE Induction 113 جدول‏4 52: ماتریسConfusion الگوریتم RULE Induction 113 جدول‏4 53: معیارهای ارزیابی ونتایج الگوریتم RULE Induction single attribute 114 جدول‏4 54: ماتریسConfusion الگوریتم RULE Induction single attribute 114 جدول‏4 55: معیارهای ارزیابی ونتایج الگوریتم TREE by rule 114 جدول‏4 56:ماتریس Confusion الگوریتم TREE by rule 115 جدول‏4 57: معیارهای ارزیابی ونتایج الگوریتم part 115 جدول‏7 58: ماتریسConfusion الگوریتم part 115 جدول‏4 59: معیارهای ارزیابی ونتایج الگوریتم CHAID 119 جدول‏4 60: ماتریسConfusion الگوریتم CHAID 119 جدول‏4 61: معیارهای ارزیابی ونتایج الگوریتم DECISION TREE 119 جدول‏4 62: ماتریس Confusion الگوریتم DECISION TREE 120 جدول‏4 63: معیارهای ارزیابی ونتایج الگوریتم J48 120 جدول‏4 64: ماتریسConfusion الگوریتم J48 120 جدول‏4 65: معیارهای ارزیابی ونتایج الگوریتم FT 121 جدول‏4 66: ماتریس Confusion الگوریتم FT 121 جدول‏4 68: ماتریس Confusion الگوریتم ID3 121 جدول‏4 67: معیارهای ارزیابی ونتایج الگوریتم ID3 122 جدول‏4 69: معیارهای ارزیابی ونتایج الگوریتم LAD 122 جدول‏4 70: ماتریس Confusion الگوریتم LAD 122 جدول‏4 71: معیارهای ارزیابی ونتایج الگوریتم ADT 123 جدول‏4 72: ماتریس Confusion الگوریتم ADT 123 جدول‏4 73: معیارهای ارزیابی ونتایج الگوریتم BF 123 جدول‏4 74: ماتریس Confusion الگوریتم BF 123 جدول‏4 75:معیارهای ارزیابی ونتایج الگوریتم LMT 124 جدول‏4 76:ماتریسConfusion الگوریتم LMT 124 جدول‏4 77: معیارهای ارزیابی ونتایج الگوریتم J48graft 124 جدول‏4 78: ماتریس Confusion الگوریتم J48graft 125 جدول‏4 79: معیارهای ارزیابی ونتایج الگوریتم NB 125 جدول‏4 80:ماتریس Confusion الگوریتم NB 125 جدول‏4 81:معیارهای ارزیابی ونتایج الگوریتم REEPTREE 126 جدول‏4 82: ماتریس Confusion الگوریتم REEPTREE 126 جدول‏4 83: معیارهای ارزیابی ونتایج الگوریتم Simplecart 126 جدول‏4 84:ماتریس Confusion الگوریتم Simplecart 127 جدول‏4 85:معیارهای ارزیابی ونتایج روش Libsvm 130 جدول‏4 86: ماتریسConfusion روش Libsvm 130 جدول‏4 87: معیارهای ارزیابی ونتایج روش Support vector machine 131 جدول‏4 88: ماتریس Confusion روش Support vector machine 131 جدول‏4 89: معیارهای ارزیابی ونتایج روش Support vector machine(linear) 132 جدول‏4 90: ماتریسConfusion روش Support vector machine(linear) 132 جدول‏4 91: معیارهای ارزیابی ونتایج روش Speggeous 132 جدول‏4 92: ماتریسConfusion روش Speggeous 133 جدول‏4 93: معیارهای ارزیابی ونتایج روش W-svm 133 جدول‏4 94: ماتریس Confusion روش W-svm 133 جدول‏4 95: معیارهای ارزیابی ونتایج روش Fast large 134 جدول‏4 96: ماتریس Confusion روش Fast large 134   فهرست اشکال و نمودارها شکل‏2 1: معماری یک نمونه سیستم داده کاوی‎‎ 12 شکل‏2 2: Wx,yوزن یال بینXو Yاست. 15 شکل‏2 3: درخت تصمیم گیری‎‎‎‎ 17 شکل‏2 4: شبکه بیزین‎‎ 21 شکل‏2 5: شبه کد الگوریتم توالی پوشش 26 شکل‏2 6: شبکه کد الگوریتم IB3 29 شکل‏2 7: شبکه کد مربوطذ به الگوریتمKDD 31 شکل‏2 8: انواع سیستم های تشخیص تقلب 38 شکل‏2 9: معماری یک سیستم تشخیص نفوذ 40 شکل‏2 10: چارچوب کلی داده کاوی برای کشف تقلب‎‎ 52 شکل‏2 11: مقایسه خروجی هابااستفاده ازنمودارROC 55 شکل‏2 12: الگوریتم استخراج شده ازدرخت تصمیم 61 شکل‏2 13: عملکرد الگوریتم ژنتیک‎ 63 شکل‏2 14: قاعده استخراج شده ازالگورِیتم ژنتیک‎‎ 64 شکل‏2 15: توابع مربوط به الگوریتم ژنتیک ومقداردهی آن ها 64 شکل‏2 16: معماری الگوریتم ژنتیک برای تست نفوذ‎‎ 65 شکل‏2 17: خوشه بندی برایk=2‎‎‎ 67 شکل‏2 18: شناسایی داده غیر نرمال‎‎ 68 شکل‏2 19: ترکیب دسته بندی وشناسایی غیر نرمال 68 شکل‏3 1: معماری پیشنهاد داده شده برای تشخیص نفوذ باروش مبتنی برداده کاوی 72 شکل‏3 2: مدلسازی الگوریتم شبکه عصبی با نرم افزارRapidminer 78 شکل‏3 3: مدلسازی الگوریتم مدل بیزین با نرم افزارRapidminer 78 شکل‏3 4: مدلسازی الگوریتم درخت تصمیم با نرم افزارRapidminer 79 شکل‏3 5: مدلسازی الگوریتم مدل قانون محوربا نرم افزارRapidminer 79 شکل‏3 6: مدلسازی الگوریتم مدل بردارپشتیبان با نرم افزارRapidminer 80 شکل‏3 7: مدلسازی الگوریتم مدل کاهل بانرم افزارRapidminer 80 شکل‏3 8: نمونه ای ازخروجی نرم افزار Rapidminerباپارامترهای مختلف ارزیابی 81 شکل‏4 1: نمودار ارزیابی الگوریتم های مدل بیزین برحسب پارامتر درستی 90 شکل‏4 2: نمودار ارزیابی الگوریتم های مدل بیزین برحسب پارامتر دقت 90 شکل‏4 3: نمودار ارزیابی الگوریتم های مدل بیزین بر حسب پارامتر یادآوری 91 شکل‏4 4: نمودار ارزیابی الگوریتم های مدل بیزین برحسب پارامتر F 91 شکل‏4 5: نمودار ارزیابی الگوریتم های مدل بیزین برحسب پارامترهای مختلف 92 شکل‏4 6: نمودار ارزیابی الگوریتم های مدل کاهل برحسب پارامتر درستی 96 شکل‏4 7: نمودار ارزیابی الگوریتم های مدل کاهل برحسب پارامتر دقت 97 شکل‏4 8: نمودار ارزیابی الگوریتم های مدل کاهل برحسب پارامتر یادآوری 97 شکل‏4 9: نمودار م ارزیابی الگوریتم های مدل کاهل برحسب پارامتر F 98 شکل‏4 10: نمودار مربوط به ارزیابی الگوریتم های مدل کاهل برحسب پارامترهای مختلف 98 شکل‏4 11: نمونه ای ازشبکهMLP 100 شکل‏4 12: عملکرد شبکه پرسپتون 102 شکل‏4 13: نمونه ای ازشبکهRBF 103 شکل‏4 14:نمودار ارزیابی مدل های شبکه عصبی برحسب پارامتر درستی 105 شکل‏4 15: نمودار ارزیابی مدل های شبکه عصبی برحسب پارامتر دقت 106 شکل‏4 16: نمودار ارزیابی مدل های شبکه عصبی برحسب پارامتر یادآوری 106 شکل‏4 17: نمودار ارزیابی مدل های شبکه عصبی برحسب پارامتر F 107 شکل‏4 18: نموداره ارزیابی مدل های شبکه عصبی برحسب پارامتر مختلف 107 شکل‏4 19:نمودار ارزیابی الگوریتم های مدل قانون محور برحسب پارامتر درستی 116 شکل‏4 20: نمودار ارزیابی الگوریتم های مدل قانون محور برحسب پارامتر دقت 116 شکل‏4 21: نمودار ارزیابی الگوریتم های مدل قانون محور برحسب پارامتر یادآوری 117 شکل‏4 22: نمودار ارزیابی الگوریتم های مدل قانون محور برحسب پارامتر F 117 شکل‏4 23: نمودار ارزیابی الگوریتم های مدل قانون محور برحسب پارامتر مختلف 118 شکل‏4 24:نمودار ارزیابی الگوریتم های مدل درخت برحسب پارامتر درستی 127 شکل‏4 25: نمودار ارزیابی الگوریتم های مدل درخت برحسب پارامتر دقت 128 شکل‏4 26: نمودار ارزیابی الگوریتم های مدل درخت برحسب پارامتر یادآوری 128 شکل‏4 27: نمودار ارزیابی الگوریتم های مدل درخت برحسب پارامتر F 129 شکل‏4 28: نمودار ارزیابی الگوریتم های مدل درخت برحسب پارامتر مختلف 129 شکل‏4 29: نمودار ارزیابی روش های مختلف ماشین بردارپشتیبان برحسب پارامتر درستی 135 شکل‏4 30: نمودار ارزیابی روش های مختلف ماشین بردارپشتیبان برحسب پارامتر یادآوری 135 شکل‏4 31: نمودار ارزیابی روش های مختلف ماشین بردارپشتیبان برحسب پارامتر F 136 شکل‏4 32: نمودار ارزیابی روش های مختلف ماشین بردارپشتیبان برحسب پارامتر دقت 136 شکل‏4 33: نمودار ارزیابی روش های مختلف ماشین بردارپشتیبان برحسب پارامتر مختلف 137 شکل 4-34: نمودار مربوط به مقایسه بین همه الگوریتم ها بر حسب پارامترهای مختلف 137