تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

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

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
تعداد صفحات مقاله انگلیسی : 13 تعداد صفحات ترجمه فارسی : 37
سال انتشار : 2012 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 8169 رفرنس : دارد
محتوای فایل : zip حجم فایل : 2.96Mb
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
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
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

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 متن 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 متن ترجمه

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.