دانلود ترجمه مقاله سیستم تشخیص نفوذ شبکه براساس طبقه بندی مخفی Naive Bayes – مجله الزویر

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” سیستم تشخیص نفوذ شبکه براساس طبقه بندی مخفی Naive Bayes ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

• 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

• بخشی از ترجمه:

4 – نتیجه گیری
ما در این مقاله نیازی را تشریح نمودیم که روش های داده کاوی برای رویداد های شبکه برای دسته بندی رویداد های حمله شبکه اعمال گردد . ما نتایج مطالعات قدیمی تر رار خلاصه کردیم و مدل های قدیمی تر را در بهبود عملکرد مدل Naïve Bayes در داده کاوی کشف نمودیم و مدل HNB را به عنوان راه حلی برا مشکل کشف نفوذ معرفی کرده ایم . ما Naïve Bayes را تقویت کردیم و روش های Naïve Bayes را به طور ساختاری با روش های پیشرو جداسازی و انتخاب ویژگی توسعه دادیم تا دقت را افزایش داده و الزامات منبع مشکل کشف نفوذ را کاش می دهیم . ما عملکرد Naïve Bayes و رویکرد های توسعه یافته پیشرو را با رویکرد جدید HNB نظیر سیستم کشف نفوذ توسعه داده ایم . نتایج مطالعه آزمایشی ما که از مجموعه داده KDD 99 استفاده می کند ، نشان می دهد که مدل دسته بندی چند رده ای Naïve Bayes مخفی با انواع روش های انتخاب ویژگی و جداسازی ، نتایج کلی بهتر را بر حسب دقت کشف ، نرخ خطا و هزینه دسته بندی اشتباه نسبت به مدل Naïve Bayes سنتی نمایش می دهد که به مدل های Naïve Bayes توسعه یافته پیشرو و برنده KD99 منجر می گردد . همچنین نتایج مشخص می سازند که مدل ما به طور چشمگیری کشف حملات رد سرویس را در مقایسه با دیگر مدل ها بهبود می بخشد .
Naïve Bayes مخفی نشان می دهد که سادگی و مزیت اش نسبت به فرضیه استقلال شرطی Naïve Bayes یک مدل نوید بخش برای مجموعه داده های با ویژگی های وابسته نظیر مجموعه داده کشف نفوذ KDD 99 می باشد .

• بخشی از مقاله انگلیسی:

4. Conclusion

In this paper, we explained the need to apply data mining methods to network events to classify network attack events. We summarized the results of earlier studies and explored the earlier models on the performance improvement of the Naïve Bayes model in data mining and introduced the HNB model as a solution to the intrusion detection problem. We augmented the Naïve Bayes and structurally extended Naïve Bayes methods with the leading discretization and feature selection methods to increase the accuracy and decrease the resource requirements of intrusion detection problem. We compared the performance of the Naïve Bayes and leading extended Naïve Bayes approaches with the new HNB approach as an intrusion detection system. The results of our experimental study, which uses the KDD’99 dataset, show that the Hidden Naïve Bayes multiclass classification model augmented with various discretization and feature selection methods exhibits better overall results in terms of detection accuracy, error rate and misclassification cost than the traditional Naïve Bayes model, the leading extended Naïve Bayes models and the KDD’99 winner. The results also indicate that our model significantly improves the detection of denial-of-service attacks compared with the other models. Considering its simplicity and its advantage over the Naïve Bayes model’s conditional independence assumption, hidden Naïve Bayes is a promising model for datasets with dependent attributes, such as the KDD’99 intrusion detection dataset.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله