دانلود ترجمه مقاله سیستم تشخیص نفوذ سایبری رفتار گرا

1. مقدمه 2. انگیزه 3. تحقیقات مرتبط 4. تشخیص نفوذ سایبری رفتار گرا 5. پیاده سازی، ارزیابی و تحلیل عملکرد 6. ارزیابی عملکرد و نتایج 7. نتیجه گیری و پیشنهادات برای تحقیقات آتی

چکیده – تجربه استفاده از سیستم تشخیص نفوذ (IDS) برای امنیت سیستم کامپیوتری افزایش یافته است. دو نوع IDS وجود دارد: مبتنی بر دانش (سوء استفاده) و غیر معمول. در IDS مبتنی بر دانش، اطلاعات پیشین حمله برای شناسایی و در هنگام وقوع موارد غیر معمول مورد نیاز است، رفتار داده های نرمال مورد مطالعه قرار می گیرد، هنگامی که داده های جدید وارد می شوند و انحرافی در بین آنها وجود دارد، فرض می شود که یک حمله به وقوع پیوسته است. در این تحقیق، یک سیستم تشخیص نفوذ ترکیبی به نام سیستم تشخیص نفوذ سایبری رفتارگرا بر مبنای دو الگوریتم داده کاوی درخت تصمیم گیری و معادله قانون وابسته سازی ارائه می دهیم. الگوریتم درخت تصمیم برای تشخیص نفوذ سوء استفاده، مورد استفاده قرار می گیرد، اما حملات جدید به صورت طبیعی در نظر گرفته می شود. داده کاوی قواعد وابسته سازی از خروجی نرمال درخت تصمیم به عنوان ورودی استفاده می کند تا میزان تشخیص حملات افزایش یابد. علاوه بر این، مدل پیشنهادی با استفاده از زبان برنامه نویسی java اجرا می شود. همچنین، از یک مجموعه داده NSL_KDD کاهش یافته و بهبود یافته غیر زائد برای آموزش و تست استفاده شده است. نتایج بدست آمده نشان می دهد که نرخ تشخیص بهبود یافته و نرخ هشدارهای کاذب کاهش می یابد.

The experience of deploying intrusion detection system (IDS) for securing computer system is being matured. There are knowledge-based (misuse) and anomaly IDS. In knowledge-based IDS, prior knowledge of the attack is needed for detection and during anomaly, behaviour of normal data is studied, when new data is arrived and there is a deviation, it is considered as an attack. In this thesis, we present a hybrid intrusion detection system called behavioural-based cyber intrusion detection system, based on two data mining algorithms, decision tree and association rule mining. The decision tree algorithm is used to detect misuse intrusions but it considers new attacks as normal. Association rule mining works by using the normal output of decision tree as input for further detection. Further, we implement the proposed model using java programming language. We have used a reduced and enhanced non-redundant NSL_KDD dataset for training and testing. Evaluation results show that it provides improved detection rate and lower false alarm rates.