دانلود رایگان ترجمه مقاله بردارهای پشتیبان مناسب برای کشف نفوذ شبکه (ساینس دایرکت – الزویر ۲۰۱۴)
این مقاله انگلیسی ISI در نشریه الزویر در ۱۱ صفحه در سال ۲۰۱۴ منتشر شده و ترجمه آن ۲۵ صفحه بوده و آماده دانلود رایگان می باشد.
| دانلود رایگان مقاله انگلیسی (pdf) و ترجمه فارسی (pdf + word) | |
| عنوان فارسی مقاله: |
انتخاب بردارهای پشتیبان مناسب در SVM افزایشی برای کشف نفوذ شبکه |
| عنوان انگلیسی مقاله: |
Selection of Candidate Support Vectors in incremental SVM for network intrusion detection |
| دانلود رایگان مقاله انگلیسی: | مقاله انگلیسی |
| دانلود رایگان ترجمه با فرمت pdf: | ترجمه pdf |
| دانلود رایگان ترجمه با فرمت ورد: | ترجمه ورد |
| مشخصات مقاله انگلیسی و ترجمه فارسی | |
| فرمت مقاله انگلیسی | |
| سال انتشار | ۲۰۱۴ |
| تعداد صفحات مقاله انگلیسی | ۱۱ صفحه با فرمت pdf |
| نوع مقاله | ISI |
| نوع نگارش | مقاله پژوهشی (Research article) |
| نوع ارائه مقاله | ژورنال |
| رشته های مرتبط با این مقاله | مهندسی کامپیوتر – مهندسی صنایع |
| گرایش های مرتبط با این مقاله | هوش مصنوعی – مهندسی الگوریتم ها و محاسبات – داده کاوی |
| چاپ شده در مجله (ژورنال) | کامپیوتر و امنیت |
| کلمات کلیدی | ماشین بردار پشتیبانی افزایشی – شرایط کاروشه – کوهنه – تاکر – وکتور پشتیبانی کاندید – استراتژی نیمه پارتیشن – تشخیص نفوذ شبکه |
| کلمات کلیدی انگلیسی | Incremental support vector machine – Karushe-Kuhne-Tucker condition – Candidate Support Vector – Half-partition strategy – Network intrusion detection |
| ارائه شده از دانشگاه | دانشکده کامپیوتر، دانشگاه ووهان |
| نمایه (index) | Scopus – Master Journals – JCR |
| شناسه شاپا یا ISSN | ۰۱۶۷-۴۰۴۸ |
| شناسه دیجیتال – doi | https://doi.org/10.1016/j.cose.2014.06.006 |
| رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
| نشریه | الزویر – Elsevier |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش | ۲۵ صفحه با فونت ۱۴ B Nazanin |
| فرمت ترجمه مقاله | pdf و ورد تایپ شده با قابلیت ویرایش |
| وضعیت ترجمه | انجام شده و آماده دانلود رایگان |
| کیفیت ترجمه |
مبتدی (مناسب برای درک مفهوم کلی مطلب) |
| کد محصول |
F1936 |
| بخشی از ترجمه |
|
حفظ بردارهای پشتیبان در هر افزایش دسته بندی SVM زمان کلی دسته بندی را افزایش می دهد. بنابراین، کاهش زمان اجرا در ابتدا بسیار مهم می شود. یک راه حل معمولی برای تسریع فراگیری SVM این است که برنامه ریزی کوادراتیک(درجه دوم) را به تعدادی زیرمطئله تجزیه کنید به طوریکه پیچیدگی کلی فراگیری SVM می تواند از O(N3) به O(N2)کاهش یابد (Joachims, 1998; Platt, 1998). بااین حال، مقتی نقاط داده N بسیار زیاد باشد، زمان پیچیدگی هنوز رضایت بخش نیست و فراگیری نیاز به بهبود و پیشرفت بیشتر دارد (Zhang et al., 2009). تعدادی از کارهای تحقیقاتی که انجام شده اند مربوط به کاهش زمان اجرای دسته بندی افزایشی SVM می-باشند. یک رویکرد فراگیری افزایشی با SVM برای دسته بندی جریان داده شبکه توسط Yao و همکاران(۲۰۱۲) پیشنهاد شد، یک روش فراگیری افزایشی برای طراحی ساختار چند مدلی توسط Sun و Guo (2012) پیشنهاد شد، یک الگوریتم فراگیری افزایشی سریع برای SVM که روش اصلاح مجموعه فعال نامیده شد (Tao, 2006) و غیره تعداد کمی در بین چندین کار هستند. دوباره،یک الگوریتم فراگیری افزایشی از براساس خوشه بندیSVM توسط Du و همکاران (۲۰۰۹a,b) پیشنهاد شد که این واقعیت را درنظر می گیرد که حدود بردارهای پشتیبان ممکن است در بردارهای پشتیبان بعد از افزدون نمونه های جدید تغییر کند. این کار همچنین از نظریه KKT در فرایند فراگیری استفاده کرد. مراکز خوشه ای به دست آمده از فرایند خوشه بندی برای شرایط KKT مورد بررسی قرار گرفتند و مراکز خوشه ای که این شرایط را نقض می کنند به مجموعه بردار پشتیبان در تمرین بعدی اضافه شدند. شرایط کافی و لازم برای نقض KKT توسط Wang, Zheng, Wu, and Zhang (Wang et al., 2006) داده شدند. آنها نشان داده و ثابت کردند که آیا نمونه جدیدی مخالف شرایط KKT وجود داشتند، سپس بردارهای غیرپشتیبان SVM اصلی این فرصت را داشتند تا به بردارهای پشتیبان تبدیل شوند. یک الگوریتم فراگیری افزایشی مبتنی بر شرایط KKT در این ادبیات (Wen-hua & Jian, 2001) پیشنهاد شد. در این روش، کل فرایند فراگیری به دو فرایند اولیه و افزایشی تقسیم شد. راه حل بهینه QP به هر نمونه اجازه داد تا در شرایط KKT صدق کند. اگرچه SVM افزایشی مبتنی بر KKT در سرعت ها و میزان های تشخیص بهتر است، ولی به زمان تمرین طولانی تری نیاز دارد چون آن باید خلاف قضاوت را انجام دهد و تمرین بیشتر را با SVM افزایشی ساده مقایسه کند. این در این مقاله ذکر شد که SVM افزایشی مبتنی بر مجموعه رزرو شده نامیده می شود و توسط Yi و همکاران (۲۰۱۱) پیشنهاد شد. برای کاهش بیستر زمان تمرین، آنها یک روش حلقه متمرکز را پیشنهاد دادند تا در انتخاب نمونه ها مورد استفاده قرار گرفتند تا یک مجموعه رزرو شده از بردارهای پشتیبان را بسازد که مورد استفاده قرار گرفت تا در افزایش بعدی همراه با مجموعه داده های جدید تمرین ببینند. در کارشان توضیح دادند که نمونه داده های متکی به ناحیه حلقه دو حلقه متمرکز بیشترین احتمال را داشتند تا به بردارهای پشتیبان تبدیل شوند، و بنابراین، به عنوان مجموعه رزرو شده حفظ شدند. علاوه بر بردارهای پشتیبان حفظ شده و ابقا شده، تلاشهایی برای کاهش بردار پشتیبان نیز وجود داشته اند. برای کاهش هزینه محاسبات، Kobayashi و Otsu (2009) روشی را پیشنهاد دادند تا به ترتیب بردارهای پشتیبان مازاد را حذف کند. به طور مشابه، Habib و همکاران (۲۰۰۹) الگوریتمهای مختلفی برای کاهش مجموعه بردار پشتیبان پیشنهاد دادند تا فرایند دسته بندی را برای یک الگوریتم کلی تشخیص تغییر مبتنی بر SVM تسریع بخشند. پیشنهادهای این مقاله عبارتند از : ۱) بهبودی برای روش حلقه متمرکز، ۲) روش نیمه پارتیشن انتخاب بردارهای پشتیبان در دسته بندی افزایشی SVM، که به طورکلی زمان دسته بندی را همراه با تشخیص بالا و میزان هشدار اشتباه کم کاهش می دهد. بردارهای پشتیبان مناسب مبتنی بر SVM افزایشی کلید ماشین بردار پشتیبان افزایشی پیشنهادی انتخاب بردارهای پشتیبان مناسب است. بنابراین دو روش انتخاب CSV ها ارائه می شوند: ۱) روش حلقه متمرکز بهبودیافته؛ ۲) استرتژی نیمه پارتیشن. ازآنجایی که ثابت شده است روش دوم بهتر است، این کار تحقیقاتی الگوریتم انتخاب CSV را طراحی می کند که از روش نیمه پارتیشن استفاده می کند. نمونه داده های جدید مورد استفاده برای تمرین در هر افزایش بازبینی می شوند که آیا آنها می توانند با استفاده از تابع تصمیم گیری پیشنهاد شده توسط نظریه KKT به بردارهای پشتیبان تبدیل شوند. ۳-۱- شرایط KKT برای ISVM در دسته بندی SVM، یک تابع تصمیم با حل برنامه ریزی کودراتیک (QP) به دست آمده است. برای به دست آوردن راه حل بهینه، شرایط KKT زیر باید برآورده شود (باید در شرایط زیر صدق کند): که α_i ضریب لاگرانژ مربوط به نمونه ها است، و α=(α_۱,α_۲,….,α_i,….) راه حل بهینه می باشد اگر و تنها اگر هر xi نمونه در این شرایط صدق کند. اینجا f(X)=0 ابرصفحه جداکننده بهینه است، f(x)= ±۱ حدود مرزهای حاشیه ای جدا کننده هستند. بنابراین، برای یک نمونه تمرینی x_i، اگر α_i=0، آن خارج از حدود قرار می گیرد؛ ۰〖<α〗_i<C، سپس آن روی هر کدام از حدود می افتد؛ اگر α_i=C، بنابراین آن داخل حدود حاشیه ای جداکننده قرار می گیرد. ۳-۲- چرخش ابرصفحه SV ایده روش نیمه پارتیشن از پدیده چرخش های ابرصفحه SV ناشی می شود. بنابراین، چرخش های هندسی ممکن ابرصفحه SV اینجا نشان داده می شوند. همانطورکه در شکل ۱ دیدید، ابرصفحه می تواند باتوجه به موقعیت فعلی ابرصفحه هم در جهت عقربه های ساعت و هم در خلاف جهت عقربه های ساعت بچرخد. هیچ تغییری در این گردش دلالت براین ندارد که نمونه های جدید در شرایط KKT صدق کنند. برای لیست کردن گردش های ابرصفحه SV ممکن، موارد زیر را داریم: خلاف جهت گردش عقربه های ساعت در جهت گردش عقربه های ساعت بدون گردش |
