دانلود رایگان ترجمه مقاله GasSATA، الگوریتم ژنتیکی ابزاری جایگزین برای آنالیز ترافیک حسابرسی امنیتی

دانلود رایگان مقاله انگلیسی گاساتا (GASATA) یک الگوریتم ژنتیکی به عنوان ابزاری جایگزین برای تحلیل آزمون های حسابرسی امنیت به همراه ترجمه فارسی

 

عنوان فارسی مقاله گاساتا (GASATA) یک الگوریتم ژنتیکی به عنوان ابزاری جایگزین برای تحلیل آزمون های حسابرسی امنیت
عنوان انگلیسی مقاله GasSATA, a Genetic Algorithm. as an Alternative Tool. for Security Audit Trails Analysis
رشته های مرتبط مهندسی کامپیوتر، برنامه نویسی کامپیوتر، امنیت اطلاعات و مهندسی الگوریتم ها و محاسبات
فرمت مقالات رایگان

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 
کد محصول F619

مقاله انگلیسی رایگان (PDF)

دانلود رایگان مقاله انگلیسی

ترجمه فارسی رایگان (PDF)

دانلود رایگان ترجمه مقاله

خرید ترجمه با فرمت ورد

خرید ترجمه مقاله با فرمت ورد
جستجوی ترجمه مقالات جستجوی ترجمه مقالات مهندسی کامپیوتر

  

فهرست مقاله:

چکیده
2-1 کد گذاری یک راه حل با رشته دو دویی
2-2 تابع برازش
3-نتایج ازمایشی برای حملات و کاربران شبیه سازی شده
3-1 محیط ازمایشی
3-2 نتایج
4-کار های آینده

 

بخشی از ترجمه فارسی مقاله:

2- استفاده از الگوریتم های ژنتیکی برای تشخیص سوء استفاده
الگوریتم های ژنتیکی(GA)، الگوریتم های جست و جوی بهینه بر اساس مکانیسم انتخاب طبیعی در یک جمعیت می باشد. یک جمعیت، مجموعه ای از موجودات مصنوعی( افراد یا کروموزوم ها) می باشد. این موجودات، رشته های به طول 1 می باشند که یک راه حل بالقوه را برای حل مسئله کد گذاری می کنند که اغلب اوقات کد گذاری با یک الفبای دو دویی صورت می گیرد. اندازه L جمعیت، ثابت است. جمعیت به طور تصادفی ایجاد شده و سپس تکامل می یابد: در هر نسل، یک مجموعه جدیدی از موجودات مصنوعی، با استفاده از تواناترین یا بخش هایی از توانمند ترین افراد، ایجاد می شود. توانایی هر فرد معمولا تابع بهینه سازی شده( تابع برازش) برای نقطه متناظر با فرد است. فرایند تکراری خلق جمعیت با سه اپراتور( عملگر) زنتیکی پایه بدست می اید: انتخاب( انتخاب مناسب ترین افراد)، تولید مثل یا کراس اور( بهبود کشف مناطق جدید فضای جست و جو با کراسینگ اور بخش هایی از افراد) و موتاسیون( حفاظت از جمعیت در برابر از دست رفت اطلاعات). ساختار عمومی GA به شرح زیر است:
تولید تصادفی اولین نسل
تکرار
انتخاب فرد
تولید مثل
موتاسیون
تا زمانی که معیار های توقف بدست بیایند.
اپراتور های( عملگر های) ژنتیکی، عملگر های تصادفی می باشند، با این حال الگوریتم های ژنتیکی پیمایش های تصادفی ساده نمی باشند: آن ها به طور کارامد از اطلاعات تاریخی برای فرض نقاط جست و جوی جدید با عملکرد مورد انتظار استفاده می کنند.
دو زیر مسئله در زمان کاربرد GA به یک مسئله ویژه حادث می شوند: 1- کد گذاری یک راه حل برای آن مسئله با یک رشته بیتی 2- یافتن یک تابع برازش برای ارزیابی هر فرد از جمعیت.
2-1 کد گذاری یک راه حل با رشته دو دویی
یک فرد، یک رشته به طول 1 است که یک راه حل بالقوه را برای مسئله کد گذاری می کند. در این مورد، کد گذاری ساده است: طول یک فرد Na می باشد و هر فرد در جمعیت متناظر با بردار h می باشد که در بخش 1 تعریف شده است.

 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا