دانلود ترجمه مقاله طبقه بندی جمعی برای سیستم تشخیص نفوذ

1. مقدمه 2. تحقیقات مرتبط 3. روش پیشنهادی 4. آزمایش ها و نتایج 5. نتیجه گیری

چکیده – تامین امنیت شبکه یک امر چالش برانگیز است، زیرا خدمات مبتنی بر شبکه و به اشتراک گذاری اطلاعات حساس در شبکه رشد چشمگیری داشته اند. نفوذ باعث ایجاد خطر جدی در شبکه می شود. با وجود اینکه سیستم های سخت افزاری متعددی در برابر نفوذ ایجاد شده اند، روش های متداول مانند فایروال، شبکه های خصوصی مجازی و تکنیک های رمزنگاری برای تأمین امنیت شبکه ها کافی نیست. تشخیص نفوذ، یک مکانیسم امنیت سایبری است که نقش مهمی را در امنیت شبکه ایفا می کند. نرخ تشخیص و نرخ هشدار کاذب، مسائل چالش برانگیز در طراحی یک سیستم تشخیص نفوذ (IDS) می باشند. تکنیک های مختلف داده کاوی برای پیاده سازی شبکه های تشخیص نفوذ استفاده می شود. طبقه بندی، یک روش یادگیری نظارت شده است که برچسب کلاس را در هر مجموعه داده پیش بینی می کند. یک طبقه بندی کننده مجزا نمی تواند منجر به کسب نتایج با دقت مناسب شود. طبقه بندی کننده های پایه نیز، قادر به تشخیص حملات با دقت مناسب نیستند. طبقه بندی کننده های جمعی ترکیبی از جمله طبقه بندی کننده های پایه هستند. عملکرد طبقه بندی کننده های جمعی، از طبقه بندی کننده های پایه بهتر است. در این تحقیق، یک روش طبقه بندی کننده جمعی مبتنی بر خوشه، برای IDS پیشنهاد می شود. در آزمایش ها، K به معنی خوشه بندی است. طبقه بندی جمعی با استفاده از ADTree و KNN ایجاد شده است. نتایج تجربی نشان می دهد که طبقه بندی کننده جمعی پیشنهادی با دقت 99.8٪ از طبقه بندی کننده های دیگر عملکرد بهتری دارد.

Network security is a challenging task, as there is a tremendous growth of network -based services and sharing of sensitive information on the network. Intrusion throws a serious risk in the network. Even though many hardening systems are developed against intrusions, conventional approaches like firewalls, virtual private networks, and encryption techniques are not enough to provide network security. Intrusion detection is a cyber security mechanism that plays an important role in securing the network. Detection rate and false alarm rate are the challenging issues to design an Intrusion Detection System (IDS). Various data mining techniques are used to implement network intrusion detection. Classification is a supervised learning which predicts the class label in the data set. Single classifier fails to obtain high accuracy. Base classifiers are not capable of detecting the attacks accurately. Ensemble classifier is a combination of base classifiers. Ensemble classifier outperforms base classifiers. In this paper, we propose a cluster- based ensemble classifier for IDS. K means clustering is used in the experiment. Ensemble classifier is built using ADTree and KNN. The experimental results show that the proposed ensemble classifier outperforms other classifiers with 99.8% accuracy.