دانلود ترجمه مقاله یک سیستم تشخیص نفوذ ترکیبی چند سطحی مبتنی بر جریان کارآمد

1. مقدمه 2. تحقیقات مرتبط 3. پیش زمینه نظری 4. IDS ترکیبی چند سطحی پیشنهادی 5. مجموعه داده و ویژگی های انتخابی 6. معیارهای ارزیابی 7. نتایج تجریی 8. نتیجه گیری

چکیده – شبکه های نرم افزار محور (SDN)، چارچوب های جدید شبکه ای هستند که امکان برنامه نویسی پیشرفته را فراهم می کند. این امکانات می تواند در جهت حل چالش های امنیتی سنتی بر اساس رویکردهای کارآمدتر به کار گرفته شود. مهمترین جزء در چارچوب SDN، کنترل کننده است که مسئول مدیریت جریان هر عنصر پیشروی متناظر (سوئیچ یا روتر) می باشد. آمار جریان ارائه شده توسط کنترل کننده به عنوان اطلاعات مفیدی که می تواند برای توسعه یک سیستم تشخیص نفوذ مبتنی بر شبکه استفاده شود، مورد توجه قرار می گیرد. بنابراین، در این مقاله، ما یک سیستم طبقه بندی ترکیبی پنج سطحی مبتنی بر آمار جریان را برای بهبود دقت سیستم پیشنهاد می کنیم. برای سطح اول، از روش KNN (نزدیکترین همسایگی-k) بهره گرفته می شود؛ برای سطح دوم، از ماشین یادگیری مضاعف (ELM)استفاده می شود. و برای سطوح باقی مانده، از روش H-ELM بهره گرفته می شود. در مقایسه با الگوریتم های یادگیری ماشین های تحت نظارت مبتنی بر مجموعه داده های معیار NSL-KDD، مطالعه تجربی نشان می دهد که سیستم ارائه شده در این تحقیق از بالاترین سطح دقت (84.29٪) برخوردار است. بنابراین روش پیشنهادی، یک رویکرد کارآمد برای تشخیص نفوذ در SDN ها است.

Software-Defined Networking (SDN) is a novel networking paradigm that provides enhanced programming abilities, which can be used to solve traditional security challenges on the basis of more efficient approaches. The most important element in the SDN paradigm is the controller, which is responsible for managing the flows of each correspondence forwarding element (switch or router). Flow statistics provided by the controller are considered to be useful information that can be used to develop a network-based intrusion detection system. Therefore, in this paper, we propose a 5-level hybrid classification system based on flow statistics in order to attain an improvement in the overall accuracy of the system. For the first level, we employ the k-Nearest Neighbor approach (kNN); for the second level, we use the Extreme Learning Machine (ELM); and for the remaining levels, we utilize the Hierarchical Extreme Learning Machine (H-ELM) approach. In comparison with conventional supervised machine learning algorithms based on the NSL-KDD benchmark dataset, the experimental study showed that our system achieves the highest level of accuracy (84.29%). Therefore, our approach presents an efficient approach for intrusion detection in SDNs.