این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در 37 صفحه در سال 2017 منتشر شده و ترجمه آن 30 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

نوشته دانلود ترجمه مقاله مدلینگ مخفی مارکوف واکنش به فرکانس جهت تن لغوی ماندارین (ساینس دایرکت – الزویر 2017) (ترجمه ویژه – طلایی ⭐️⭐️⭐️) اولین بار در ترجمه فا پدیدار شد.

این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در 14 صفحه در سال 2017 منتشر شده و ترجمه آن 38 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	2017
تعداد صفحات مقاله انگلیسی	14 صفحه با فرمت pdf
نوع مقاله	ISI
نوع نگارش	مقاله پژوهشی (Research Article)
نوع ارائه مقاله	ژورنال
رشته های مرتبط با این مقاله	مهندسی صنایع
گرایش های مرتبط با این مقاله	بهینه سازی سیستم ها، برنامه ریزی و تحلیل سیستم ها و تولید صنعتی
چاپ شده در مجله (ژورنال)	مهندسی قابلیت اطمینان و ایمنی سیستم – Reliability Engineering and System Safety
کلمات کلیدی	مدل مخفی مارکوف، باقی مانده پیش بینی عمر مفید، تعمیر و نگهداری پیشگیرانه، مشاهدات خودکار همبستگی
کلمات کلیدی انگلیسی	Remaining useful life prediction – Preventive maintenance – Hidden Markov models – Auto-correlated observations
ارائه شده از دانشگاه	آزمایشگاه دولتی سیستم مکانیکی، گروه مهندسی و مدیریت صنعتی، دانشگاه شانگهای جیائو تونگ، چین
نمایه (index)	Scopus – Master journals – JCR
نویسندگان	Zhen Chen، Yaping Li، Tangbin Xia، Ershun Pan
شناسه شاپا یا ISSN	ISSN 0951-8320
شناسه دیجیتال – doi	https://doi.org/10.1016/j.ress.2017.09.002
ایمپکت فاکتور(IF) مجله	5.191 در سال 2018
شاخص H_index مجله	119 در سال 2019
شاخص SJR مجله	1.944 در سال 2018
شاخص Q یا Quartile (چارک)	Q1 در سال 2018
بیس	است ✓
مدل مفهومی	دارد ✓
پرسشنامه	ندارد ☓
متغیر	دارد ✓
رفرنس	دارای رفرنس در داخل متن و انتهای مقاله ✓
کد محصول	9756
لینک مقاله در سایت مرجع	لینک این مقاله در نشریه Elsevier
نشریه الزویر

نوشته دانلود ترجمه مقاله مدل مخفی مارکوف برای پیش بینی عمر مفید باقی مانده (ساینس دایرکت – الزویر 2017) (ترجمه ویژه – طلایی ⭐️⭐️⭐️) اولین بار در ترجمه فا پدیدار شد.

این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در 11 صفحه در سال 2016 منتشر شده و ترجمه آن 18 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	2016
تعداد صفحات مقاله انگلیسی	11 صفحه با فرمت pdf
نوع مقاله	ISI
نوع نگارش	مقاله پژوهشی (Research article)
نوع ارائه مقاله	ژورنال
رشته های مرتبط با این مقاله	مهندسی فناوری اطلاعات
گرایش های مرتبط با این مقاله	شبکه های کامپیوتری، سامانه های شبکه ای و اینترنت و شبکه های گسترده
چاپ شده در مجله (ژورنال)	کامپیوتر و مهندسی برق – Computers and Electrical Engineering
کلمات کلیدی	مدل مخفی مارکوف [HMM]، شبکه های رادیویی شناختی [CRN]، انتخاب کانال، کانال ریلی،‌ مسیریابی بهینه مبتنی بر بازه زمانی
کلمات کلیدی انگلیسی	Cognitive radio network (CRN) – Channel selection – Hidden Markov Model (HMM) – Rayleigh channel – Time-slot based optimal routing
ارائه شده از دانشگاه	گروه علوم کامپیوتر و مهندسی، دانشکده فنی مهندسی، هند
نمایه (index)	Scopus – Master journals – JCR
نویسندگان	Senthilkumar S، Geetha Priya C.
شناسه شاپا یا ISSN	ISSN 0045-7906
شناسه دیجیتال – doi	https://doi.org/10.1016/j.compeleceng.2016.06.016
ایمپکت فاکتور(IF) مجله	2.762 در سال 2018
شاخص H_index مجله	49 در سال 2019
شاخص SJR مجله	0.443 در سال 2018
شاخص Q یا Quartile (چارک)	Q2 در سال 2018
بیس	است ✓
مدل مفهومی	دارد ✓
پرسشنامه	ندارد ☓
متغیر	دارد ✓
رفرنس	دارای رفرنس در داخل متن و انتهای مقاله ✓
کد محصول	9738
لینک مقاله در سایت مرجع	لینک این مقاله در نشریه Elsevier
نشریه الزویر

نوشته دانلود ترجمه مقاله چارچوب انتخاب کانال بر اساس مدل مخفی مارکوف برای CRN (ساینس دایرکت – الزویر 2016) (ترجمه ویژه – طلایی ⭐️⭐️⭐️) اولین بار در ترجمه فا پدیدار شد.

این مقاله انگلیسی ISI در نشریه Sciendo در 15 صفحه در سال 2015 منتشر شده و ترجمه آن 36 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

نوشته دانلود ترجمه مقاله محاسبه معادلات استاکلبرگ/نش با استفاده از روش اکسترا-پروگزیمال (Sciendo 2015) (ترجمه ویژه – طلایی ⭐️⭐️⭐️) اولین بار در ترجمه فا پدیدار شد.

• فهرست مطالب:

چکیده
1. مقدمه
2. کار مربوطه
3. مدل های پنهان مارکوف برای تعیین اعتبار جریان سرور
4. آزمایشات و نتایج
5. استنتاج

• بخشی از ترجمه:

5. استنتاج
روش ما با دقت بالا برای تشخیص پروتکل ها کار می کند. اکثر اوقات، آموزش HMM ها ممکن است مشکل ساز باشد، از آنجاییکه همواره اطلاعات کافی وجود ندارد. ممکن است مسائل نادر داده ها بوجود آید و ممکن است HMM ها بصورت نامتعادل آموزش داده شوند. سعی می کنیم مدلها بجز پروتکل ورود به سیستم را بطور برابر آموزش دهیم. لازم است رفتار کاربر با پارامترهای بیشتری از اندازه بسته و مدت زمان مدلسازی شود. دسته بندی داده ها در بیش از دو بعد ممکن است باعث حفظ حالت ها برای HMM شود. رویکرد ما بر تشخیص نفوذ مبتنی بر شبکه تمرکز می کند. پیشنهاد متناوب دیگر ممکن است تشخیص نفوذهای مبتنی بر کامپیوتر باشد. ممکن است از برنامه های مختلف برای تشخیص جریان های بسته مبتنی بر ip استفاده شود. مدیر سیستم از این روش حمایت می کند زیرا ممکن است کاربران شماره های ip را تغییر دهند اگر خاموش کردن سیستم در دوره ای از زمان صورت گیرد و بعدا مجددا راه اندازی شود. ممکن است مدیر سیستم برای اتخاذ این مورد شماره های استاتیک ip را به هر کامپیوتر اختصاص دهد. روش ما تنها به تشخیص پروتکل از طریق داده های سطح اطلاعات محدود شده است. الگوهای حمله چندمرحله ای را نیز می توان با HMM تشخیص داد و روشهای آموزشی متعدد را می توان برای تشبیه کردن روند آموزشی HMM بسط داد.

• بخشی از مقاله انگلیسی:

5. Conclusion

Our approach worked in high accuracy for the detection of protocols. Most of the time, training HMMs may be problematic since there is not always enough information. Rare data problems may arise and HMMs may be trained unbalanced. We tried to train the models equally except login protocol. User behaviour needs to be modelled with more parameters than duration and packet size. Clustering the data in more than two dimensions may cause memorization of the cases for HMM. Our approach focuses on network based intrusion detection. Another alternative may be to detect intrusions computer based. Different threads may be used to detect ip based packet flows. This approach needs support by system administrator because users may change ip numbers if shut down happens in a period of time and restart later. System administrator may assign static ip numbers to each computer to pursue this case. Our approach is only restricted to protocol detection via information level data. Multistage attack patterns can also be detected with HMMs and multiple training methods can be developed for paralelizing HMM training procedure.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله مدل مارکوف برای شناسایی سو استفاده در شبکه های ارتباطی – مجله الزویر اولین بار در ترجمه فا پدیدار شد.

بخشی از ترجمه:

چکیده

افزایش روز افزودن فرضیه ی رایانش ابری و مفاهیم بدیعی در خصوص سرویس های رایانش ابری، منجر به این گردیده که فعالیت هایی پژوهشی مختلفی در رابطه با انتخاب سرویس ابری عقلانی و با هدف توسعه ی تکنیک هایی به منظور بهره بردن کاربران از این سرویس رایانش ابری(به وسیله ی انتخاب سرویس هایی که کارائی بهینه ای را با کمترین هزینه فراهم میسازد) صورت گیرد. رایانش ابری را میتوان بستری جدید برای ارائه ی زیر ساختار محاسباتی دانست، با این هدف که محل زیرساختار محساباتی را به یک شبکه منتقل داد تا بتوان هزینه های نگهداری منابع سخت افزاری و نرم افزاری را کاهش داد. سیستم های رایانش ابری ، قادر به ارائه ی دسترسی به مخزن بزرگی از منابع میباشند. منابعی که در سیستم های رایانش ابری فراهم میشود، حجم زیادی از سرویس ها را به وسیله ی بصری سازی از دید کاربر مخفی میسازد. در این مقاله، دیتا سنتر سرویس ابری به صورت سیستم صف بندی [(M/G/١):(∞/GDMODEL)] و با یک بافر درخواست وظیفه و یک بافر ورودی یک وظیفه که از ظرفیت نامحدودی برخوردار است، مدل سازی شده است.

بخشی از مقاله انگلیسی:

ABSTRACT

The ever-increasing status of the cloud computing hypothesis and the budding concept of federated cloud computing have enthused research efforts towards intellectual cloud service selection aimed at developing techniques for enabling the cloud users to gain maximum benefit from cloud computing by selecting services which provide optimal performance at lowest possible cost. Cloud computing is a novel paradigm for the provision of computing infrastructure, which aims to shift the location of the computing infrastructure to the network in order to reduce the maintenance costs of hardware and software resources. Cloud computing systems vitally provide access to large pools of resources. Resources provided by cloud computing systems hide a great deal of services from the user through virtualization. In this paper, the cloud data center is modelled as queuing system with a single task arrivals and a task request buffer of infinite capacity. 

1. INTRODUCTION

Cloud computing is the Internet-based expansion and use of computer knowledge. It has become an IT buzzword for the past a few years. Cloud computing has been often used with synonymous terms such as software as a service (SaaS), grid computing, cluster computing, autonomic computing, and utility computing [1]. SaaS, Software as a Service, is a software delivery model in which software and related data are centrally hosted on the cloud. SaaS is typically accessed by users using a thin client via a web browser .Grid computing and cluster computing are two types of underlying computer technologies for the development of cloud computing. Autonomic computing is a computing system services that is capable of self-management, and utility computing is the packaging of computing resources such as computational and storage devices [2,3]. 

نوشته دانلود ترجمه مقاله کاربرد صف بندی در تعیین عوامل کارائی محاسبات ابری مراکز داده اولین بار در ترجمه فا پدیدار شد.

فهرست مطالب:

 چکیده
1 مقدمه
2 مدل TMF غیر گاوسی
3 الگوریتم سریع بر مبنای TMF برای قطعه بندی چند کلاسه نظارت نشده تصاویر SAR
1 3 تجزیه جدید QuadTree و نمایش پیکسون تصویر SAR
2 3 دستیابی به تابع انرژی پتانسیل جدید TMF براساس نمایش پیکسون تصاویر SAR
3 3 تخمین پارامتر برای الگوریتم TMF سریع
4 نتایج و تحلیل آزمایشی
1 4 ارزیابی ذهنی و عینی دو الگوریتم قطعه بندی
2 4 مقایسه پیچیدگی محاسباتی بین دو الگوریتم
3 4 مقایسه هزینه های محاسباتی بین دو الگوریتم
5 نتایج

بخشی از ترجمه:

5. نتایج
در این مقاله، یک الگوریتم سریع بر اساس TMF برای نمایش چند کلاسه بدون ناظر (نظارت نشده) تصاویر SAR پیشنهاد کرده ایم. برای نویز اسپکل در تصاویرSAR، سطح نویز منطقه را درروش تجزیه کلاسیکی Quadtree معرفی و سپس چندین معیار جدید برای تشخیص تجزیه و انتخاب آستانه مشخص می کنیم. با روش تجزیه جدید Quadtree ، یک تصویر SAR به سرعت در یک نمایش پیکسون مبتنی بر لبه نگاشته می شود. سپس با ترکیب مدل TMF با نمایش پیکسون تصویر SAR، تابع انرژی پتانسیل جدید TMF براساس نمایش پیکسون حاصل می گردد. بالاخره، قطعه بندی با MPM بیزی خاتمه می یابد. از الگوریتم TMF سریع برای قطعه بندی داده های شبیه سازی شده و تصاویر واقعی SAR استفاده می گردد. نتایج و تحلیل آزمایشی نشان می دهد الگوریتم TMF سریع می تواند با الگوریتم قطعه بندی TMF قابل قیاس یا حتی برتر از آن باشد، با این تفاوت که در این الگوریتم هزینه محاسبات به طور قابل توجهی کاهش و کارایی و راندمان به میزان زیادی افزایش می یابد. به ویژه در هنگام مقابله با تصاویر SAR در اندازه بزرگ، الگوریتم TMF سریع ، می تواند نتیجه قطعه بندی بلادرنگ، توانمند و کارآمدی حاصل نماید.

بخشی از مقاله انگلیسی:

1 Introduction Synthetic aperture radar (SAR) image segmentation is an important part of target recognition and interpretation of SAR images. It can provide the overall structure of the image information, reveal the nature of SAR images, establish the basis of automatic target recognition (ATR) and promote applications of SAR. In recent years it has gradually become a research hotspot both at home and abroad. Because of speckle produced by coherent electromagnetic irradiation during imaging, traditional optical image segmentation algorithms cannot suppress noise, which will lead to misclassifications. So they are not suitable for SAR image segmentation. Recently, the development of statistical theory has opened up an effective way to analyze and model images. However, hidden Markov models (HMMs) are too simple to deal with a large number of complex ∗Corresponding author (email: ywu@mail.xidian.edu.cn) Wu Y, et al. Sci China Inf Sci July 2011 Vol. 54 No. 7 1525 images (non-stationary images, texture images, strong noisy images). They can satisfactorily deal with stationary images [1, 2] but are powerless to treat non-stationary SAR images. So far their own statistical model has been constantly expanded and improved, making it possible to deal with non-stationary images and related non-Gaussian noise more efficiently. One of the effective extensions of HMMs is the triplet Markov fields (TMF) [3–11], which well describes the statistical characteristic of SAR images. In the case of two random fields X and Y of Markov random fields (MRF) model, TMF have been proposed in which a third random field U is introduced, and the triplet T = (X, Y, U) is assumed to be Markovianity [8]. One possible meaning for U = (Us)s∈S is to use U = u to define different homogeneities of (X, Y ). This means that the Markov field distribution p(x, y/u) is a non-stationary field and the m possible values of Us describe m different Markov non-stationarities (m-MNS) of (X, Y ). Consequently this model is very suitable for dealing with the non-stationary SAR images in which the pixel values of image have random mutations caused by multiplicative speckle noise. When using TMF algorithm to deal with large SAR images, we have to calculate the potential energy function with the four neighbors or eight neighbors of each pixel, and then calculate the distribution of the triplet (X, Y, U). The large amount of computation reduces the efficiency of the algorithm. In this paper, we try to introduce the concept of pixon into the TMF. This concept was first proposed by Pina and Puetter [12], whose essence is that the spatial scale at each site of an image varies according to the information embedded in the image, implying that the picture information can be dealt with by using cells of variable sizes corresponding to the local spatial information. In this way the optimal scale description of images is realized. Yang et al. [13] introduced a new pixon definition scheme for segmentation, whose shape and size can vary simultaneously, and they used the anisotropic diffusion equation to extract the pixons in their definition scheme. Then they combined the pixon concept and MRF model to reduced computation cost. On this basis, Lin et al. [14] proposed a classical QuadTree combination algorithm to extract the pixon-representation of natural images. In this paper, for SAR images with speckle noise, we combine the pixon concept and TMF model to improve the computation efficiency of TMF segmentation algorithm. First we propose a new QuadTree decomposition for the speckle in SAR images: we introduce the region noise level σi, and then establish some new criterions of decomposition discriminant and threshold selection. Thus we obtain a coarse decomposition in smooth regions and a fine decomposition in edges. Finally we obtain an edge-based pixon-representation of SAR image. By combining TMF model with the pixon-representation of SAR image, the new potential energy function of TMF based on pixon-representation and the new segmentation formula of Bayesian maximum posterior mode (MPM) [15] are derived. The fast TMF algorithm is used to segment simulated data and real SAR images. Experimental results and analysis demonstrate that the fast TMF algorithm can effectively suppress the influence of speckle in SAR images, and greatly reduce the complexity of the algorithm and the running time without affecting the performance of segmentation. The fast TMF algorithm realizes the real-time, and robust and efficient processing of SAR image segmentation.

نوشته دانلود ترجمه مقاله قطعه بندی چند کلاسه نظارت نشده تصاویر رادار روزنه ترکیبی با الگوریتم سریع مارکوف – مجله اسپرینگر اولین بار در ترجمه فا پدیدار شد.

فهرست مطالب:

 چکیده
1 مقدمه
2 اصل و روش
1 2 اصل
2 2 مدل مخفی مارکو
3 استخراج ویژگی و الگوریتم تشخیص نفوذ
1 3 استخراج ویژگی
2 3 الگوریتم تشخیص نفوذ
3 3 تشخیص آنومالی
4 نتایج آزمایش
5 نتایج

بخشی از ترجمه:

5. نتایج
در این مقاله، روش جدیدی برای تشخیص نفوذ آنومالی با استفاده از اطلاعات موقتی برنامه ممتاز پیشنهاد شده است. ایده اصلی حاصل مشاهده صورت گرفته است که ثابت بوده یا در مدت زمان کوتاه به آهستگی تغییر می کند. با تعداد بزرگ داده های آموزشی، عملکرد بهتری از خود به معرض نمایش می گذارد.
آزمایشات اولیه نشان می دهد که این روش عملکرد خوبی از خود به معرض نمایش گذاشت. اما، درست مانند همه چیز، لازم است بعداً اموری مثل استخراج ویژگی و تصمیم گیری راجع به تعداد حالتهای HMM مطالعه و بررسی شوند. حال، کل این کارها دردست انجام می باشد. اما عقیده برآن بوده است که روش امضای موقتی یک شیوه موثر برای تشخیص رفتارهای آنومال(غیر عادی) محسوب می شود.

بخشی از مقاله انگلیسی:

1 .,Introduction Hidden markov model; Intrusion detection; Network Intrusion detection play an important role in detecting attacks that exploit the vulnerabilities or flaws in computer networks. An ideal intrusion detection system is the one that bas 100% attack detection rate along with 0% false positive rate (the rate of mis-classified normal behavior), requires light load of monitoring, and involves minor calculation or overhead. Current intrusion detection systems, however, axe plagued by either high false alarm probability or low attack detection accuracy. There are two general approaches to intrusion detection: misuse detection and anomaly detection. Misuse detection via signature Verification compares a user’s activities with the known signatures of attackers attempting to penetrate a system. While misuse detection is useful for finding known intrusion types, it cannot detect novel attacks. Unlike misuse detection, anomaly detection identifies activities that deviate fiom established statistical pattems for usen, systems or networks. Machine leaming techniques have been used to capture the normal usage pattems and classify the new behavior as either normal or abnormal. In spite of their capability of detecting unknown attacks, anomaly detection systems suffer from high false alarm rate when normal user profiles and system or network behavior vary widely. In this paper, a new technique has been used for leaming program behavior in intrusion detection. Our approach employs HMM to classify each program behavior into either normal or intrusive class that improves the model time and performance by only considering the system calls of privilege programs as time series. 2 Principle and Method 2.1 Principle Anomaly detection can be combined with signature verification to detect attacks more efficiently. The biggest challenge is to choose features that best characterize the user or system usage patterns so that non-intrusive activities would not be classified as anomalous. One could use, for instance, Unix Shell command lines, login events or system calls as observable to generate profiles of user behavior. Since a user’s behavior can change frequently, user profiles have to be updated periodically to include the most recent changes.

نوشته دانلود مقاله ترجمه شده تشخیص نفوذ براساس مدل مخفی مارکوف – مجله IEEE اولین بار در ترجمه فا پدیدار شد.

فهرست مطالب:

 چکیده
1 مقدمه
2 مدل مخفی مارکو
3 ماشین بردار پشتیبان
4 روش
1 4 کاربرد HMM در تشخیص نفوذ آنومالی
1 1 4 انتخاب ویژگی و طبقه بندی مقادیر
2 1 4 روش های آموزش و ارزیابی
5 آزمایشات و نتایج
6 نتایج

بخشی از ترجمه:

6. نتایج
مقاله حاضر مطالعه تطبیقی HMM و SVM در تشخیص نفوذ آنومالی را مطرح می کند. روش جدید شناسایی سرویس های TCP تمیز دادنی با استفاده از الگوریتم درخت تصمیم J48 معرفی شده است. در تشخیص نفوذ آنومالی مبتنی بر HMM، هر یک از سرویس های TCP تمیزدادنی با یک درخت تصمیم ارتباط دارند که از ویژگیها و مقادیر مطرح شده در مجموعه داده تشکیل می شود. سپس این ویژگیها برای آموزش مدل HMM برای هر نشست TCP مجموعه داده با استفاده از الگوریتم های BWT و VT انتخاب می شوند. ارزیابی مدل آموزش دیده با الگوریتم های پیشرو و پسرو انجام می شود. در مورد SVM، از الگوریتم SMO Weka با توابع کرنل در زمان آموزش و ارزیابی مدل SVM هر سرویس TCP استفاده می شود.
روشهای HMM و SVM نتایجی مشابه با SVM نشان می دهند که تشخیص آنومالی بهبود یافته در حاشیه را نشان می دهد.اما آموزش مبتنی بر SVM مستلزم کاربرد کل مجموعه داده های آموزشی به یکباره می باشد. این مسئله جلوی کار مجموعه داده آموزشی بزرگ را می گیرد.آموزش مبتنی بر HMM در هر نشست TCP انجام شده و چنین محدودیت هایی وجود ندارد.

بخشی از مقاله انگلیسی:

1. Introduction The increase in the number of interconnected networks to the Internet has led to an increase in unlimited security threats and violations. As a shared resource computer networks and communication links allow unauthorized users to gain access to private information and critical resources of organizations. Therefore, information security has become a major concern to various businesses and organizations and requires an intelligent security system that can automatically detect the intrusions. An Intrusion Detection System (IDS) [5] has become popular tool for observing patterns of activities in user accounts and detect malicious behavior. Anomaly detection approach [2] is a key element of intrusion detection that attempts to evaluate the behavior of a user or system and consider intrusive or irregular activities as some deviation from normal patterns. The HMM technique [14] has been attempted by Joshi and Phoha [6] for classifying the TCP network traffic as an attack or normal. They have taken only 12.195% of the total 41 features of the KDD Cup 1999 dataset [19] for developing anomaly intrusion detection model. The model verified that the TCP session is a normal or having anomaly with 79% accuracy. In our previous work [5], we have proposed an HMM based anomaly intrusion detection, and confirmed it’s effectiveness. In this paper, the SVM technique [9], [10], [11], [12], [15], [21] is proposed for binary classification of each distinguishable TCP service. The Sequential Minimal Optimization (SMO) algorithm [20], an implementation of Waikato Environment for Knowledge Analysis (Weka) toolkit [22], is used that supports SVM. Two Kernel functions [9], [15] including Polynomial and Radial Basis Function (RBF) are used for mapping the dataset into higher dimensional spaces. A comparison between HMM and SVM, in terms of the classification results, is presented. The remainder of this paper is organized as follows; Section 2 provides a brief explanation of the concepts of HMM. Section 3 briefly presents the basic principal of SVM Section 4 describes the methodology for designing Anomaly Intrusion Detection Model that classifies network traffic as an attack or normal using HMM and SVM. Extensive experiments based on the KDD Cup 1999 dataset are given in detail in Section 5. Finally, concluding remarks with discussions are showed in Section 6. 2. Hidden markov model An HMM is a double embedded stochastic process consisting of an underlying stochastic process that is hidden (not observable), but can only be observed through another set of stochastic process that produces the sequence of observations [14]. HMM based applications are widely used in several different areas such as speech recognition, bioinformatics, and genomics. Srivastava et al. [18] have used HMM for identifying credit card fraud by showing that the credit card transactions with high probability is deemed by proficient HMM as normal behavior or fraudulent. Cho and Park [1] have proposed an efficient anomaly based IDS by demonstrating privilege transition flow of data by using HMM. Ourston et al. [13] present an approach to identify complex Internet attacks by using HMM. Hoang et al. [4] introduce a new method that processes sequences of system calls for anomaly detection by employing HMM technique. Lane [7] has used HMM to model human behavior. Once human behavior is correctly modeled then deviations can be detected by analyzing behavior patterns since an attacker and genuine user are not expected to have similarities in behaviors.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه

نوشته دانلود ترجمه مقاله شناسایی نفوذ ناهنجاری در مدل پنهان مارکف و پشتیبانی ماشین بردار – مجله CiteSeerX اولین بار در ترجمه فا پدیدار شد.

فهرست مطالب:

چکیده
1  مقدمه
2   اکتساب داده و پیش‌پردازش‌ها
2 1 حسگر نقطه‌ای
3 استخراج ویژگی‌های تحلیل مولفه‌های اصلی
4 طبقه بندی
4 1 یادگیری بردار کوانتیزه
4 2 مدل مخفی مارکوف
5 شاخص اعتبارسنجی قابلیت اطمینان
6 نتایج آزمایشی و بحث
6 1 بردار کوانتیزه یادگیری
6 2 مدل مخفی مارکوف
7 نتیجه

بخشی از ترجمه:

جدول 2 نتایج طبقه‌بندی برای همه 24 کلاس را مشخص می‌کند. این باید این نکته که ما قابلیت اطمینان را ارزیابی نمی کنیم و نتایج تنها با توجه به نرخ طبقه‌بندی می‌شوند توجه کنیم. نرخ تشخیص Top(k)  به معنی درصدی از نمونه‌ها که کلاس‌های متناظر  در میان k کاندید اولیه HMM است ، می‌باشد. با در نظر گرفتن مقدار بیشینه k، نرخ تشخیص مقدار بیشینه می‌گیرد . بااین حال،  این باعث کاهش دقت و صحت اندازه‌گیری می‌شود . نرخ بالای تشخیص Top(3) ، 81.7% است،  که بطور قابل توجهی نسبت به LVQدر زمانیکه PCA اعمال می‌شود و 200بردار کدبوک در نظر گرفته می‌شود ، پایین‌تر است.
بعد،  ما بر SOM 7*7 برای فریم داده هرکلاس در عوض در نظر گرفتن یک SOMبرای فریم داده‌های کل تلاش می‌کنیم. در این مورد، میزان تشخیص به طور قابل ملاحظه‌ای افزایش می‌یابد. نتایج در جدول 3 نشان داده شده است.
همانطور که نشان داده شده است، هنوز یک تفاوت مهم بین طبقه‌بندی HMM  و طبقه‌بندی LVQ وجود دارد. نرخ طبقه‌بندی پایین HMM به نظر می‌رسد عمدتآ با توجه به داده کوانتیزه شده  برای کاهش اندازه داده و سهولت فرآیند طبقه‌بندی به تصویب رسیده است.
نتایج نشان می‌دهند که اگر چه طبقه‌بندی LVQ به عنوان مدل آفلاین کار می‌کند و ممکن است برای برنامه‌های کاربردی سیستم خطی مانند سیستم فعلی مناسب نباشد، میزان طبقه‌بندی هنوز بالاتر و دارای قابلیت اطمینان بیشتر در زمانیکه که با HMM مقایسه می‌شود است.

7 نتیجه
در این مقاله، ما طبقه‌بندی LVQ برای طبقه‌بندی پول کاغذی اعمال کردیم . استخراج خصیصه مبتنی بر PCA برروی داده برای انتخاب اغلب مولفه‌های اصلی موثر اجرا می‌شود . روش جدید برای ارزیابی قابلیت اطمینان طبقه‌بندی توسط استفاده از تراکم بردار کدبوک و مشخص کردن مناطق همپوشانی نمایش داده شده است. روش ساده است و برای استفاده در طبقه‌بندی که بر اساس کدبوک است آسان است.
در مقایسه با HMM ، که ما به عنوان طبقه‌بندی جایگزین اعمال کرده‌ایم ، نتایج طبقه‌بندی و قابلیت اطمینان LVQ بسیار نیرومندتر دیده شده است. بااین حال، به منظور افزایش میزان قابلیت اعتماد طبقه‌بندی LVQ تا نزدیک به 100% ، به نظر می‌رسد که ما نیاز به مرحله خوش‌بندی اضافی قبل برای LVQ برای مدل کردن پیچیدگی داده واقعی و برای ارائه تخمین واضحی از تراکم داده داریم.
HMM برای طبقه‌بندی آنلاین  ترجیح داده می‌شود و بطور کلی عملکرد سریع‌تری  در تشخیص داده‌های متوالی دارد. بااین حال، سیستم فعلی به نظر می‌رسد هنوز هم برخی از مشکلات به دلیل ایجاد توالی مناسب از ویژگی داده‌ها وجود دارد. علاوه براین، برای آنکه ما از داده‌های کوانتیزه در مقایسه با تراکم مستمر استفاده می‌کنیم، میزان طبقه‌بندی به طور قابل توجهی کاهش می‌یابد. کارهای بیشتری برای برخی تغییرات جدید در روش‌های یادگیری HMM انجام شده است، مانند هموارسازی پارامترهای HMM با استفاده از توابع مجاور SOM ، برای آنکه طبقه‌بندی را قدرتمند ساخت.

بخشی از مقاله انگلیسی:

introduction

Neural networks have been widely applied for recognitionof bank notes in automatic teller machines (ATMs) in pastyears, and a variety of approaches have been performed toimprove the classification rate and reliability of the system.L2 Due to high risk of misclassification in such systems,the reliability of recognition becomes of high importance. Generally, the system must be able to classify not onlydifferent classes of different worth bills, but also the billswith different levels of fatigue, taint, and defects. Moreover,the system is expected to be robust in classification of shifted and rotated bills, and also be crucially sensitive tocounterfeit notes.Concerning the complexity of the bill structure, which isused to prevent bill counterfeiting, one major step in suchsystems is optimizing the data acquisition and feature extractionof data. The extracted features must be discriminativeenough such that they help the classifier to recognizethe various kinds of input bills and also to reject counterfeitones. Furthermore, because these machines generally workunder real conditions with a wide variance in input data, amajor problem is how to improve the reliability of the system to cover all kinds of real data. Thus, all proposedapproaches are mainly intended to address two main problems:first, definition of a criterion for validating the reliability,and second, providing new algorithms for improving there liability.The system proposed in this article is based on usingprincipal component analysis (PCA) for feature extractionof data and linear vector quantization (LVQ) as the mainclassifier. Also, a new algorithm for evaluating the reliabilityof the classification is proposed, which is based on theassumption of Gaussian densities for data assigned to thecodebook vectors of the LVQ, and then determination ofthe overlap zones. In order to have a comparative study on the results ofclassification, we have also applied hidden Markov models(HMMs) as an alternative classifier, which is proper forsequential input data, instead of the LVQ. Here, by using aline sensor for reading the bill data, a set of sequentialframes is generated which will be used as the HMMs observationdata.The experimental results obtained from different kindsof US dollar bills show that using PCA for feature extractionand LVQ as the main classifier can increase the reliabilityof the system significantly. The proposed method isintended for classifying different kinds of paper currency,although we have only examined US dollar bills.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه

نوشته دانلود ترجمه مقاله روش مطمئن رده بندی یادداشتهای بانکی توسط شبکه های عصبی مصنوعی – مجله اسپرینگر اولین بار در ترجمه فا پدیدار شد.