دانلود ترجمه مقاله استخراج و بهینه سازی قوانین انجمن فازی با استفاده از الگوریتم ژنتیکی (اسپرینگر 2008) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

استخراج و بهینه سازی قوانین انجمن فازی با استفاده از الگوریتم ژنتیکی چند هدفه

Extraction and optimization of fuzzy association rules using multi-objective genetic algorithm

چکیده

1 معرفی

2 کارهای پیشین

3 شرح مساله

4 کاوش قواعد انجمنی فازی

4-1 طرح

4-2 راه حل

5 نتایج

5-1 تشخیص نفوذ

6 نتیجه

چکیده

کاوش قوانین انجمنی یکی از مهمترین حوزه های داده کاوی بوده و توجه بسیاری در مطالعات مختلف کسب کرده است. کاوش قوانین انجمنی یک عمل محاسباتی و ورودی/خروجی فشرده میباشد. در این مقاله، یک روش برای کاوش قوانین انجمنی فازی بهینه سازی شده با ترتیب های مختلف ارائه شده است. همچنین روشی برای تعریف توابع عضویت برای تمامی ویژگی های پیوسته در یک پایگاه داده با استفاده از تکنیک های خوشه بندی پیشنهاد میگردد. هرچند الگوریتمهای ژنتیک تک منظوره به طور گسترده مورد استفاده قرار میگیرند، اما راه حل مسائل مختلف را به انحطاط می کشانند. در روش پیشنهادی، استخراج و بهینه سازی قوانین انجمنی فازی بطور همزمان با استفاده از الگوریتم ژنتیک چند منظوره با در نظر گرفتن اهدافی از قبیل پشتیبانی فازی، اطمینان فازی و طول قاعده اجرا می گردد. اثربخشی روش پیشنهادی با استفاده از مجموعه داده فعالیت های کامپیوتر جهت تجزیه و تحلیل عملکرد یک سیستم چند پردازنده ای و داده های شبکه برای تشخیص نفوذهای غیرعادی آزمایش شده است. آزمایشها نشان می دهند که روش ارائه شده در اکثر حالات کارآمد می باشد.

1- معرفی

کشف قوانین انجمنی در پایگاه داده های بزرگ از زمان معرفی آن، به نقطه تمرکز بسیاری از مقالات پژوهشی تبدیل شده است [1]. ساختار یک قاعده انجمنی در قالب یک رابطه بین مجموعه مقادیر ویژگی های (A→B) در یک پایگاه داده درپروپوزال های اولیه است. هر قاعده دارای دو معیار پشتیبانی و اطمینان می باشد. اطمینان یک معیار برای سنجش قدرت قاعده است، در حالی که پشتیبانی معنای آماری دارد.
با این حال، در طی سال های اخیر تحقیقات فعال در این حوزه منجر به ایجاد ساختارهایی برای توصیف قوانین انجمنی شده است. جداول در اکثر حوزه های تجاری و علمی دارای نوع ویژگی غنی تری هستند. ویژگی می تواند کمی (به عنوان مثال سن ، درآمد) و یا طبقه بندی شده (به عنوان مثال کد پستی) باشد. مساله، شناسایی قوانین انجمنی بین داده های کمی و داده های طبقه بندی در جداول رابطه ای می باشد. یک قاعده انجمنی کمی به صورت (سن: 30:39) ^ (متاهل: بله) ← (تعداد اتومبیل :2) است. بر اساس تغییرات به وجود آمده در مقدار پشتیبانی هنگام تشکیل قوانین انجمنی، قوانین انجمنی واضح (Crisp) و قوانین انجمنی فازی وجود دارد [2]. قوانین انجمنی فازی نسخه های خوش ساخت قوانین انجمنی کمی هستند که در آن از مجموعه های فازی استفاده می شود.

6- نتیجه

در این مقاله، یک راه حل برای استخراج قوانین انجمنی فازی از لحاظ واژگان زبانی ارائه شده است. بر خلاف روش های دیگر که توابع عضویت را مبتنی بر شهود تعریف میکنند، رویکرد پیشنهادی، روش خوشه بندی فازیk-means برای محاسبه توابع عضویت فازی را بکار میگیرد. همچنین از اختلاف معدل برای یافتن صفات بارز به منظور تولید قوانین اولیه استفاده میشود. از ویژگی های مهم این روش استفاده از MOGA برای استخراج قوانین است. MOGA مجموعه ای از راه حل های بهینه را با در نظر گرفتن پشتیبان و اطمینان فازی به عنوان اهداف پیدا میکند.

Abstract

Association Rule Mining is one of the important data mining activities and has received substantial attention in the literature. Association rule mining is a computationally and I/O intensive task. In this paper, we propose a solution approach for mining optimized fuzzy association rules of different orders. We also propose an approach to define membership functions for all the continuous attributes in a database by using clustering techniques. Although single objective genetic algorithms are used extensively, they degenerate the solution. In our approach, extraction and optimization of fuzzy association rules are done together using multi-objective genetic algorithm by considering the objectives such as fuzzy support, fuzzy confidence and rule length. The effectiveness of the proposed approach is tested using computer activity dataset to analyze the performance of a multi processor system and network audit data to detect anomaly based intrusions. Experiments show that the proposed method is efficient in many scenarios.

1- Introduction

The discovery of association rules in large databases has been the focus of a number of research papers since its introduction [1]. The structure of an association rule is in the form of a relationship between valuesets of attributes (A ) B) in a database in the early proposals. Each rule has two measurements, support and confidence. Confidence is a measure of the rule’s strength, while support corresponds to statistical significance.
However, an active research in this area over the recent years has lead to a variety of structures to characterize association rules. Tables in most business and scientific domains have richer attribute type. Attribute can be quantitative (e.g. age, income) or category-based (e.g. zip code, make of car). The problem is to identify association rules between quantitative and category-based data in relational tables. A quantitative association rule is of the form (Age: 30:39)^(Married: yes) ) (No. of cars: 2). Based on variations in support value in the formation of the association rules, we have Crisp association rules and fuzzy association rules [2]. Fuzzy association rules are the finetuned versions of quantitative association rules where fuzzy sets are used.

6- Conclusion

In this paper, we proposed a solution approach for extracting fuzzy association rules in terms of linguistic terms. Unlike other methods which define membership functions based on intuition, our approach uses the fuzzy k-means clustering for calculating fuzzy membership functions. We have used adjusted difference for finding the interestingness among the attributes in order to generate the initial rules. The important feature of this approach is that it uses MOGA for extracting the rules. MOGA finds the set of trade off optimal solutions by considering fuzzy support and fuzzy confidence as objectives.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

استخراج و بهینه سازی قوانین انجمن فازی با استفاده از الگوریتم ژنتیکی چند هدفه

Extraction and optimization of fuzzy association rules using multi-objective genetic algorithm