گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” شناسایی نفوذ سبک وزن مبتنی بر درخت تصمیم گیری با متد wrapper ” 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.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
تشخیص نفوذ سبک وزن بر اساس درخت تصمیم گیری با استفاده از رویکرد wrapper |
| عنوان انگلیسی مقاله: |
Decision tree based light weight intrusion detection using a wrapper approach |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار | 2012 |
| تعداد صفحات مقاله انگلیسی | 13 صفحه با فرمت pdf |
| 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، الگوریتم ژنتیک، درخت تصمیم گیری و Neurotree، شبکه عصبی، تشخیص اشتباه |
| شناسه شاپا یا ISSN | ISSN 2011.06.013 |
| رفرنس | دارد |
| لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
| نشریه | الزویر – Elsevier |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 37 صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه شده است |
| ترجمه متون داخل تصاویر | ترجمه شده است |
| ترجمه متون داخل جداول | ترجمه شده است |
| درج تصاویر در فایل ترجمه | درج شده است |
| درج جداول در فایل ترجمه | درج شده است |
| درج فرمولها و محاسبات در فایل ترجمه به صورت عکس | درج شده است |
- 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
- بخشی از ترجمه:
7. بحث و نتیجه گیری
این مطالعه، IDS سبک وزن را برای طبقه بندی چند کلاسه پیشنهاد می دهد. هدف از این سیستم، بهبود سهولت در فعالیت موجود در سه دیدگاه است. در مرحله اول، الگوی ترافیک ورودی پیش پردازش می شود و موارد اضافی حذف می شوند. بعد، یک الگوریتم انتخاب ویژگی بر مبنای wrapper اقتباس می شود که تأثیر بیشتری بر روی کاهش پیچیدگی محاسباتی طبقه بندی دارد. در نهایت، مدل Neurotree به عنوان موتور طبقه بندی شده استفاده می شود که میزان تشخیص آن 98.4٪ است که برتر از NN / و C4.5 است هدف 4 خلاصه ویژگی های روش پیشنهادی ما با معیارهای عملکردی مختلف مانند میزان TP، میزان FP، دقت، فراخوانی و اندازه F است. می توان مشاهده کرد که سیستم پیشنهادی حتی زمانی که مجموعه داده ها با تعداد مختلف کلاس ها ارائه می شود بهتر است. این ادعای ما را توجیه می کند که ویژگی های پیشنهادی و الگوریتم یادگیری neurotree استراتژی امیدوار کننده برای تشخیص نفوذ است. یافته های اصلی می تواند به شرح زیر خلاصه شود:
(1) عملکرد IDS لزوما متناسب با داده های آموزش، روش یادگیری ماشینی و ویژگی های انتخاب شده برای تشخیص نفوذ است.
- بخشی از مقاله انگلیسی:
7. Discussion and conclusion
This work proposes lightweight IDS for multi-class categorization. The system is aimed at making improvements on existing work in three perspectives. Firstly, the input traffic pattern is preprocessed and redundant instances are removed. Next, a wrapper based feature selection algorithm is adapted which has a greater impact on minimizing the computational complexity of the classi- fier. Finally, a neurotree model is employed as the classification engine which imparted a detection rate of 98.4% which is superior to NN⁄ and extended C4.5. Objective 4 summarizes the characteristics of our proposed method with various performance metrics like TP rate, FP rate, Precision, Recall and F-measure. It could be observed that the proposed system is better even when the dataset is presented with different number of classes. This justifies our claim that the proposed features and learning paradigm neurotree is a promising strategy to be applied on intrusion detection. The main findings can be summarized as follows:
(1) The performance of the IDS is necessarily proportional to the training data, machine learning technique and the features selected to detect intrusion.
|
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
|
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
تشخیص نفوذ سبک وزن بر اساس درخت تصمیم گیری با استفاده از رویکرد wrapper |
| عنوان انگلیسی مقاله: |
Decision tree based light weight intrusion detection using a wrapper approach |
|
|