دانلود ترجمه مقاله یک رویکرد یادگیری عمیق با مجموعه داده های محدود

1. مقدمه 2. تحقیقات مرتبط 3. معرفی طبقه بندی کننده 4. روش ها 5. نتایج عددی 6. نتیجه گیری

چکیده – نسل ما شاهد ظهور و گسترش ارتباطات اینترنتی است. مهاجمان، از این قابلیت ارتباطی همه جانبه به عنوان فرصتی برای راه اندازی حملات سایبری استفاده می کنند. به عنوان نتیجه، محققان در سراسر جهان توجه زیادی به داده کاوی و یادگیری ماشین با تاکید بر بهبود دقت سیستم تشخیص نفوذ (IDS) معطوف نموده اند. در این تحقیق، یک روش یادگیری عمیق با مجموعه داده های محدود (Few Shot) برای بهبود تشخیص نفوذ ارائه می دهیم. برای اولین بار از یک شبکه عصبی پیچشی عمیق (CNN) برای تشخیص نفوذ استفاده کردیم. سپس خروجی ها را از لایه های مختلف در CNN عمیق استخراج کردیم و از دسته بندی کننده های ماشین بردار پشتیبانی (SVM) و نزدیکترین همسایه (1-NN) برای تشخیص نفوذ Few Shot استفاده کردیم. یادگیری Few Shot، یک استراتژی موثر و توسعه یافته جدید برای حل مشکل محدودیت نمونه های آموزش در یک کلاس خاص می باشد. روش پیشنهادی این تحقیق، به دو مجموعه داده شناخته شده که شبیه سازی نفوذ در شبکه نظامی: KDD 99 و NSL-KDD را انجام می دهند، اعمال شد. این مجموعه داده ها نامتعادل هستند و برخی از کلاس های آنها دارای نمونه های یادگیری کمتری از بقیه می باشند. نتایج تجربی نشان می دهد که روش پیشنهادی عملکرد بهتری نسبت به روش متداول مورد استفاده در این دو مجموعه داده دارد.

Our generation has seen the boom and ubiquitous advent of Internet connectivity. Adversaries have been exploiting this omnipresent connectivity as an opportunity to launch cyber attacks. As a consequence, researchers around the globe devoted a big attention to data mining and machine learning with emphasis on improving the accuracy of intrusion detection system (IDS). In this paper, we present a few-shot deep learning approach for improved intrusion detection. We first trained a deep convolutional neural network (CNN) for intrusion detection. We then extracted outputs from different layers in the deep CNN and implemented a linear support vector machine (SVM) and 1-nearest neighbor (1-NN) classifier for few-shot intrusion detection. few-shot learning is a recently developed strategy to handle situation where training samples for a certain class are limited. We applied our proposed method to the two well-known datasets simulating intrusion in a military network: KDD 99 and NSL-KDD. These datasets are imbalanced, and some classes have much less training samples than others. Experimental results show that the proposed method achieved better performances than the state-of-the-art on those two datasets.