دانلود ترجمه مقاله یک روش ترکیبی SVM-kNN-pdAPSO برای تشخیص نفوذ

1. مقدمه 2. روش ها 3. بحث و بررسی و نتایج 4. نتیجه گیری

چکیده – حملات سرویس متعدد به سایت های مهم اینترنتی، به ما نشان داده است که هیچ شبکه باز کامپیوتری از نفوذ مصون نیست. به طور ویژه، شبکه های بیسیم به دلیل برخی ویژگی های خاص آن ها مانند مدیوم باز، توپولوژی متغیر پویا، الگوریتم های مشارکتی، عدم نظارت متمرکز، مدیریت مرکزی و عدم وجود یک جبهه مشخص دفاعی، آسیب پذیرتر هستند. روش سنتی حفاظت از شبکه ها، یعنی فایروال ها و نرم افزار های رمزگذاری، دیگر به اندازه کافی موثر نیستند. ثابت شده است که یادگیری ماشین، که ترکیبی از طبقه بندی کننده هاست، معمولا عملکرد بهتری نسبت به موارد فوق دارد. در این تحقیق، رویکرد جدیدی ارائه شده، که ترکیبی از طبقه بندی های مختلف برای بهبود دقت تشخیص حملات نفوذ است. نتیجه بررسی های انجام شده نشان می دهد که ترکیب ماشین های بردار پشتیبان، نزدیکترین همسایه - k و روش بهینه سازی اولیه-دوگان ازدحام ذرات روی داده های KDD99، دقت طبقه بندی را در مقایسه با هر یک از روش های طبقه بندی های تکین بهبود می دهد.

Several cases of service attacks on major Internet sites have shown us, no open computer network is immune from intrusions. The wireless ad-hoc network is particularly vulnerable due to its features of open medium, dynamic changing topology, cooperative algorithms, lack of centralized monitoring and management point, and lack of a clear line of defense. The traditional way of protecting networks with firewalls and encryption software is no longer sufficient and effective. The field of machine learning has proved that the hybridization of classifiers usually have a better performance than individual ones. This paper proposes a new approach that hybridises different classifiers for better accuracy in detection of intrusion attacks. The result of experiments conducted shows that the fusion of Support Vector Machine, k-Nearest Neighbour, and Primal-Dual Particle Swarm Optimisation produced better classification accuracy than each of the singular classifiers on the KDD99 dataset.