ترجمه مقاله شناسایی نفوذ با شبکه عصبی مصنوعی و خوشه بندی فازی - نشریه الزویر

ترجمه مقاله شناسایی نفوذ با شبکه عصبی مصنوعی و خوشه بندی فازی - نشریه الزویر
قیمت خرید این محصول
۳۹,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
رویکردی نوین برای شناسایی نفوذ با استفاده از شبکه های عصبی مصنوعی و خوشه بندی فازی
عنوان انگلیسی
A new approach to intrusion detection using Artificial Neural Networks and fuzzy clustering
صفحات مقاله فارسی
27
صفحات مقاله انگلیسی
8
سال انتشار
2010
نشریه
الزویر - Elsevier
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده
رفرنس
دارد
کد محصول
5571
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است
رشته های مرتبط با این مقاله
مهندسی کامپیوتر و مهندسی فناوری اطلاعات IT
گرایش های مرتبط با این مقاله
امنیت اطلاعات، رایانش امن، هوش مصنوعی، شبکه های کامپیوتری، مهندسی الگوریتم ها و محاسبات و اینترنت و شبکه های گسترده
مجله
سیستم های خبره با کاربردها - Expert Systems with Applications
دانشگاه
دانشکده مدیریت، دانشگاه فودان، شانگهای چین
کلمات کلیدی
سیستم‌های تشخیص نفوذ، شبکه‌های عصبی مصنوعی، خوشه‌بندی فازی
فهرست مطالب
چکیده
1- مقدمه
2- فعالیت‌های مربوط به IDS
3- چارچوب FC-ANN
1-3- چارچوب IDS مبتنی بر خوشه بندی فازی و ANN
2-3- ماژول خوشه‌بندي فازي
3-3- ماژول ANN
4-3- ماژول تجمع فازي
4- آزمايشات و نتايج
1-4- آماده‌سازي داده
2-4- معيار ارزيابي
3-4- نتايج و مباحث
5- نتايج و جهت‌گيري‌هاي آتي
نمونه چکیده متن اصلی انگلیسی
Abstract

Many researches have argued that Artificial Neural Networks (ANNs) can improve the performance of intrusion detection systems (IDS) when compared with traditional methods. However for ANN-based IDS, detection precision, especially for low-frequent attacks, and detection stability are still needed to be enhanced. In this paper, we propose a new approach, called FC-ANN, based on ANN and fuzzy clustering, to solve the problem and help IDS achieve higher detection rate, less false positive rate and stronger stability. The general procedure of FC-ANN is as follows: firstly fuzzy clustering technique is used to generate different training subsets. Subsequently, based on different training subsets, different ANN models are trained to formulate different base models. Finally, a meta-learner, fuzzy aggregation module, is employed to aggregate these results. Experimental results on the KDD CUP 1999 dataset show that our proposed new approach, FC-ANN, outperforms BPNN and other well-known methods such as decision tree, the naïve Bayes in terms of detection precision and detection stability.

نمونه چکیده ترجمه متن فارسی
چکیده
بسیاری محققین استدلال کرده‌اند که شبکه‌های عصبی مصنوعی (ANN ها) می‌توانند عملکرد سیستم‌های تشخیص نفوذ (IDS) را هنگام مقایسه با روش‌های معمول بهبود بخشند. با وجود این برای IDS مبتنی بر ANN ، دقت تشخیص به ویژه برای حملات کم تناوب و ثبات تشخیص کماکان به ارتقاء نیاز دارد. در این مقاله، رویکردی نوین موسوم به FC-ANN را پیشنهاد می‌کنیم که بر ANN و خوشه‌بندی فازی مبتنی بوده تا به حل مسائل پرداخته و به IDC در کسب میزان شناسایی بالاتر، میزان مثبت کاذب و پایداری بهتر کمک کنیم. روند کلی FC-ANN بدین شرح است: نخست تکنیک خوشه‌بندی فازی برای ایجاد زیرمجموعه‌های آموزشی مختلف مورد استفاده قرار می‌گیرد. پس از آن، براساس زیرمجموعه‌های آموزشی مختلف، مدل‌های ANN مختلف برای ساختاربندی مدل‌های پایه‌ای مختلف آموزش داده می‌شوند. در نهایت، یک یادگیرنده متا یعنی یک ماژول انبوهش فازی، برای جمع‌آوری این نتایج به کار گرفته می‌شوند. نتایج تجربی بر روی مجموعه داده KDD CUP 1999 نشان می‌دهد که رویکرد پیشنهادی جدید ما یعنی FC-ANN موجب اجرای BPNN و سایر روش‌های شناخته شده دیگر مانند درخت تصمیم‌گیری ، naïve Bay ها برحسب دقت و ثبات تشخیص می‌شود.

بدون دیدگاه