دانلود ترجمه مقاله یک الگوریتم تشخیص نفوذ بهبود یافته بر مبنای GA و SVM

1. مقدمه 2. تحقیقات مرتبط 3. الگوریتم ژنتیک 4. سیستم تشخیص نفوذ بهبود یافته بر اساس GA و SVM (FWP-SVM-GA) 5. شبیه سازی 6. نتیجه گیری

چکیده – در عصر کلان داده ها، با افزایش تعداد ویژگی های داده های حسابرسی، عملکرد سیستم تشخیص نفوذ (IDS) هوشمندانه انسان محور، در حین یادگیری و دقت طبقه بندی کاهش می یابد و بسیاری از الگوریتم های تشخیص نفوذ مبتنی بر SVM به طور گسترده ای برای شناسایی دقیق و سریع نفوذ، به کار می روند. در این تحقیق، یک روش FWP-SVM-GA (انتخاب ویژگی، بهینه سازی وزن ها و پارامترهای SVM بر اساس الگوریتم ژنتیک)، مبتنی بر خصوصیات الگوریتم های ژنتیک (GA) و ماشین بردار پشتیبان (SVM) پیشنهاد شده است. در این الگوریتم، ابتدا احتمال ترکیب و جهش GA، با توجه به جبر تکاملی جمعیت و میزان تناسب بهینه سازی می شود؛ سپس، متعاقبا از یک روش انتخاب ویژگی بر اساس الگوریتم ژنتیک با نوآوری در زمینه تابع تناسب، که نرخ خطای SVM را کاهش می دهد و نرخ مثبت حقیقی را افزایش می دهد، استفاده می شود. در نهایت، با توجه به زیر مجموعه ویژگی های بهینه، وزن و پارامترهای SVM به طور همزمان بهینه می شود. نتایج شبیه سازی نشان می دهد که سرعت همگرایی الگوریتم و نرخ مثبت حقیقی افزایش می یابد، میزان خطا کاهش داده می شود و زمان طبقه بندی کوتاه می گردد. در مقایسه با سایر الگوریتم های تشخیص نفوذ مبتنی بر SVM، نرخ تشخیص در روش پیشنهادی بالاتر است و نرخ منفی کاذب پایین تر و نرخ مثبت کاذب بالاتر می باشد.

In the era of big data, with the increasing number of audit data features, human-centered smart intrusion detection system performance is decreasing in training time and classification accuracy, and many support vector machine (SVM)-based intrusion detection algorithms have been widely used to identify an intrusion quickly and accurately. This paper proposes the FWP-SVM-genetic algorithm (GA) (feature selection, weight, and parameter optimization of support vector machine based on the genetic algorithm) based on the characteristics of the GA and the SVM algorithm. The algorithm first optimizes the crossover probability and mutation probability of GA according to the population evolution algebra and fitness value; then, it subsequently uses a feature selection method based on the genetic algorithm with an innovation in the fitness function that decreases the SVM error rate and increases the true positive rate. Finally, according to the optimal feature subset, the feature weights and parameters of SVM are simultaneously optimized. The simulation results show that the algorithm accelerates the algorithm convergence, increases the true positive rate, decreases the error rate, and shortens the classification time. Compared with other SVM-based intrusion detection algorithms, the detection rate is higher and the false positive and false negative rates are lower.