تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله انتخاب ویژگیها برای تشخیص نفوذ با استفاده از NSL-KDD

عنوان فارسی: انتخاب ویژگیها برای تشخیص نفوذ با استفاده از NSL-KDD
عنوان انگلیسی: Feature Selection for Intrusion Detection using NSL-KDD
تعداد صفحات مقاله انگلیسی : 4 تعداد صفحات ترجمه فارسی : 8 (شامل 1 صفحه رفرنس انگلیسی)
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده و pdf
نوع ارائه مقاله : ژورنال کد محصول : 9701
محتوای فایل : zip حجم فایل : 689.95Kb
رشته و گرایش های مرتبط با این مقاله: مهندسی کامپیوتر و امنیت اطلاعات
مجله: پیشرفت های اخیر در علوم کامپیوتر - Recent Advances in Computer Science
دانشگاه: گروه مدیریت امنیت اطلاعات، کره
کلمات کلیدی: داده کاوی، پیش پردازش، انتخاب ویژگی، کاهش ویژگی، سیستم تشخیص نفوذ، NSL-KDD
کلمات کلیدی انگلیسی: Data Mining - Preprocessing - Feature selection - Feature Reduction - Intrusion detection system - NSL-KDD
وضعیت ترجمه عناوین جداول: ترجمه شده است ✓
وضعیت ترجمه متون داخل جداول: ترجمه نشده است ☓
وضعیت ترجمه منابع داخل متن: به صورت عدد درج شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
بیس: نیست ☓
مدل مفهومی: ندارد ☓
پرسشنامه: ندارد ☓
متغیر: ندارد ☓
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در داخل متن و انتهای مقاله درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1. مقدمه

2. کارهای مرتبط

1. 2 انتخاب ویژگی

2. 2 مجموعه داده NSL-KDD

3. مطالعه آزمایشی

1. 3 آمارهای توصیفی NSL-KDD

2. 3 روش پیشنهادی

4. نتایج

5. نتیجه گیری و کارآتی

منابع

نمونه متن انگلیسی

Abstract

These days, network traffic is increasing due to the increasing use of smart devices and the Internet. Amount of the intrusion detection studies focused on feature selection or reduction because some of the features are irrelevant and redundant which results lengthy detection process and degrades the performance of an intrusion detection system (IDS). The purpose of this study is to identify important selected input features in building IDS that is computationally efficient and effective. For this we evaluate the performance of standard feature selection methods; CFS(Correlation-based Feature Selection), IG(Information Gain) and GR(Gain Ratio). In this paper, we propose a new feature selection method using feature average of total and each classes. We apply one of the efficient classifier decision tree algorithm for evaluating feature reduction method. We compare between proposed method and other methods.

نمونه متن ترجمه

چکیده

این روزها، به خاطر افزایش میزان استفاده از وسایل هوشمند و اینترنت، ترافیک شبکه رو به افزایش است. تعدادی از مطالعات انجام شده در مورد تشخیص نفوذ بر انتخاب یا کاهش ویژگیها تمرکز کرده اند، زیرا برخی از ویژگیها بی ربط و حشو هستند که فرایند تشخیص را طولانی نموده و عملکرد یک سیستم تشخیص نفوذ (IDS) را پائین می آورند. هدف این مطالعه، شناسایی ویژگیهای ورودی منتخب مهم برای ساخت IDS با قابلیت محاسباتی کارآمد و موثر است. برای این منظور، عملکرد روشهای انتخاب ویژگی استاندارد یعنی CFS (انتخاب ویژگی مبتنی بر همبستگی)، IG (بهره اطلاعاتی)، و GR (نسبت بهره) را ارزیابی می نماییم. در این مقاله، روش جدیدی برای انتخاب ویژگی با استفاده از میانگین کل و هر یک از کلاس ها پیشنهادکرده و برای ارزیابی روش کاهش ویژگی، از یکی از الگوریتم های طبقه بندی کارآمد درخت تصمیم استفاده می نماییم. سپس روش پیشنهادی و روشهای دیگر را باهم مقایسه می کنیم.