ترجمه مقاله تشخیص نفوذ سبک وزن بر اساس درخت تصمیم گیری با استفاده از رویکرد wrapper - نشریه الزویر

ترجمه مقاله تشخیص نفوذ سبک وزن بر اساس درخت تصمیم گیری با استفاده از رویکرد wrapper - نشریه الزویر
قیمت خرید این محصول
۴۳,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
تشخیص نفوذ سبک وزن بر اساس درخت تصمیم گیری با استفاده از رویکرد wrapper
عنوان انگلیسی
Decision tree based light weight intrusion detection using a wrapper approach
صفحات مقاله فارسی
37
صفحات مقاله انگلیسی
13
سال انتشار
2012
نشریه
الزویر - Elsevier
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده
رفرنس
دارد
کد محصول
8169
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه شده است
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است
رشته های مرتبط با این مقاله
مهندسی فناوری اطلاعات و کامپیوتر
گرایش های مرتبط با این مقاله
شبکه های کامپیوتری، امنیت اطلاعات و رایانش امن
مجله
سیستم های خبره با کاربردهای آن - Expert Systems with Applications
دانشگاه
گروه علوم کامپیوتر و مهندسی، دانشگاه آنا، هند
کلمات کلیدی
سیستم تشخیص نفوذ، تشخیص اشتباه، الگوریتم ژنتیک، شبکه عصبی، درخت تصمیم گیری و Neurotree
فهرست مطالب
چکیده
مقدمه
کارهای مرتبط
طراحی سیستم پیشنهادی
پیش پردازش الگوی ترافیک شبکه
مبانی انتخاب GA در استخراج ویژگی
رمزگذاری فردی
تابع برازش
عملگرهای ژنتیک
الگوریتم برای انتخاب ویژگی
پس پردازش ویژگی بردار حاصل
مبانی انتخاب neurotree به عنوان طبقه بندی
گروه شبکه عصبی
اثبات
آنالیز میزان خطای شبکه عصبی
C4.5. تمدید داده شده
چارچوب تحقیق
الگوریتم Neurotree پیشنهادی
شاخص های اندازه گیری عملکرد
سناریو تست
اهداف تست
آماده سازی مجموعه داده های آزمون
تأثیر بردار ویژگی
تأثیر طبقه بندی درخت عصبی
تشخیص با عدم تطابق بین مجموعه داده های آموزش و آزمون
پیش پردازش - بررسی زوائد
استخراج ویژگی – هدف 1
ارزیابی ویژگی ها
روش های جستجو
پس پردازش - هدف2
طبقه بندی ساختار و آموزش
نتایج و بحث
ارزیابی neurotree در چارچوب پیشنهادی – هدف 3
بررسی قابلیت تشخیص با 23 کلاس – هدف 4
ارزیابی neurotree در عملکرد تشخیص – هدف6
بحث و نتیجه گیری
نمونه چکیده متن اصلی انگلیسی
Abstract

The objective of this paper is to construct a lightweight Intrusion Detection System (IDS) aimed at detecting anomalies in networks. The crucial part of building lightweight IDS depends on preprocessing of network data, identifying important features and in the design of efficient learning algorithm that classify normal and anomalous patterns. Therefore in this work, the design of IDS is investigated from these three perspectives. The goals of this paper are (i) removing redundant instances that causes the learning algorithm to be unbiased (ii) identifying suitable subset of features by employing a wrapper based feature selection algorithm (iii) realizing proposed IDS with neurotree to achieve better detection accuracy. The lightweight IDS has been developed by using a wrapper based feature selection algorithm that maximizes the specificity and sensitivity of the IDS as well as by employing a neural ensemble decision tree iterative procedure to evolve optimal features. An extensive experimental evaluation of the proposed approach with a family of six decision tree classifiers namely Decision Stump, C4.5, Naive Baye’s Tree, Random Forest, Random Tree and Representative Tree model to perform the detection of anomalous network pattern has been introduced.

نمونه چکیده ترجمه متن فارسی
چکیده
هدف از این مقاله ساخت یک سیستم تشخیص نفوذ سبک وزن (IDS) با هدف شناسایی ناهنجاری ها در شبکه است. بخش مهمی از ساخت IDS سبک وزن به پیش پردازش داده های شبکه، شناسایی ویژگی های مهم و طراحی الگوریتم یادگیری کارآمد وابسته است که الگوهای طبیعی و غیر طبیعی را طبقه بندی می کند. بنابراین در این کار، طراحی IDS از این سه دیدگاه مورد بررسی قرار می گیرد. اهداف این مقاله عبارتند از: i) حذف موارد اضافی که الگوریتم یادگیری را بی طرف می سازد. (ii) شناسایی زیر مجموعه های مناسب از ویژگی ها با استفاده از یک الگوریتم انتخاب ویژگی مبتنی بر wrapper (iii) تحقق IDS پیشنهاد شده با neurotree برای دستیابی به دقت تشخیص بهتر . IDS سبک وزن با استفاده از یک الگوریتم انتخاب ویژگی بر مبنای wrapper و همچنین با استفاده از یک روش تکراری درخت تصمیم گیری کلی عصبی برای تکامل ویژگی های مطلوب، ساخته شده است که اختصاصیت و حساسیت IDS را به حداکثر می رساند . یک ارزیابی گسترده تجربی از رویکرد پیشنهادی، با یک خانواده از شش طبقه بندی درخت تصمیم گیری، با نام های ریشه های تصمیم , C4.5, ,درخت بیز ساده ، جنگل تصادفی ،درخت تصادفی و مدل درخت نماینده برای تشخیص الگوی شبکه های غیر عادی معرفی شده است.

بدون دیدگاه