ترجمه مقاله سیستم کشف نفوذ مبتنی بر دسته کننده چند دسته ای مخفی Naive Bayes - نشریه الزویر

قیمت خرید این محصول

۳۵,۰۰۰ تومان

دانلود رایگان نمونه دانلود مقاله انگلیسی

عنوان فارسی

سیستم کشف نفوذ مبتنی بر دسته کننده چند دسته ای مخفی Naive Bayes

عنوان انگلیسی

A network intrusion detection system based on a Hidden Naïve Bayes multiclass classifier

صفحات مقاله فارسی

22

صفحات مقاله انگلیسی

9

سال انتشار

2012

نشریه

الزویر - Elsevier

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

ورد تایپ شده

رفرنس

دارد

کد محصول

7538

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

گرایش های مرتبط با این مقاله

اینترنت و شبکه های گسترده، شبکه های کامپیوتری و امنیت اطلاعات

مجله

سیستم های خبره با کاربردهای آن - Expert Systems with Applications

دانشگاه

گروه مهندسی مدیریت و مهندسی سیستم در دانشگاه جورج واشنگتن، ایالات متحده آمریکا

کلمات کلیدی

سیستم های تشخیص نفوذ، داده کاوی، طبقه بندی چند طبقه، Bayes نائب مخفی (HNB)، رد خدمات (DoS)

۰.۰ (بدون امتیاز)

امتیاز دهید

فهرست مطالب

چکیده
1 – مقدمه
2 – کار مرتبط
2-1 دسته کننده های شبکه بیسی ( Bayesian )
2-1-1 بهبود ساختار
2-1-2 انتخاب ویژگی
2-1-3 دیگر رویکرد ها
2-2 کاربرد دسته کننده های NB توسعه یافته ساختاری برای مشکل کشف نفوذ
2-3 دسته کننده های NBمخفی
3- روش تحقیق
3-1 مجموعه داده KDD CUP 1999
3-2 مدل های جداسازی
3-2-1 جداسازی حداقل سازی آنتروپی ( EMD )
3-2-2 جداسازی فاصله K تناسبی ( PKID )
3-3 آزمایشات و نتایج
4 – نتیجه گیری

نمونه چکیده متن اصلی انگلیسی

Abstract

With increasing Internet connectivity and traffic volume, recent intrusion incidents have reemphasized the importance of network intrusion detection systems for combating increasingly sophisticated network attacks. Techniques such as pattern recognition and the data mining of network events are often used by intrusion detection systems to classify the network events as either normal events or attack events. Our research study claims that the Hidden Naïve Bayes (HNB) model can be applied to intrusion detection problems that suffer from dimensionality, highly correlated features and high network data stream volumes. HNB is a data mining model that relaxes the Naïve Bayes method’s conditional independence assumption. Our experimental results show that the HNB model exhibits a superior overall performance in terms of accuracy, error rate and misclassification cost compared with the traditional Naïve Bayes model, leading extended Naïve Bayes models and the Knowledge Discovery and Data Mining (KDD) Cup 1999 winner. Our model performed better than other leading state-of-the art models, such as SVM, in predictive accuracy. The results also indicate that our model significantly improves the accuracy of detecting denial-of-services (DoS) attacks.

نمونه چکیده ترجمه متن فارسی

چکیده
رویداد های نفوذ جدید با توجه به افزایش اتصال به اینترنت و حجم ترافیک یک بار دیگر بر سیستم کشف نفوذ شبکه برای مبارزه فزاینده با حملات پیچیده به شبکه تاکید داشته اند . تکنیک هایی نظیر شناسایی الگو و داده کاوی رویداد های شبکه اغلب توسط سیستم های کشف نفوذ مورد استفاده قرار می گیرند تا رویداد های شبکه به صورت رویداد های عادی یا رویداد های تهاجمی دسته بندی شوند . مطالعه تحقیقاتی ما مدعی می باشد که مدل( Hidden Naïve Bayes( HNB را می توان برای مشکلات کشف نفوذ اعمال نمود که از ابعادی بودن ، ویژگی های بی نهایت وابسته و حجم های جریان داده شبکه بالا رنج می برند . HNB یک مدل داده کاوی می باشد که فرضیه استقلال شرطی روش Naïve Bayes را ساده می سازد . نتایج آزمایشی ما نشان می دهند که عملکرد کلی برتر بر حسب دقت ، نرخ خطا و هزینه دسته بندی اشتباه در مقایسه با مدل سنتی Naïve Bayes در مدل HNB نشان داده می شود و این موضوع به استفاده گسترده از این مدل ها و پیروزی در جام سال 1999 کشف دانش و داده کاوی( KDD) گردید . مدل ما بهتر از دیگ مدل های با فناوری بالا پیشرو نظیر SVM در دقیت پیش بینی اجراء کرده بود . همچنین نتایج مشخص می سازند که مدل ما به طور چشمگیری باعث بهبود دقت کشف حملات رد خدمات (DOS) می گردد .

برچسب‌ها: دانلود رایگان مقالات انگلیسی مهندسی فناوری اطلاعات IT، دانلود رایگان مقالات انگلیسی مهندسی کامپیوتر