دانلود ترجمه مقاله بهبود عملکرد سیستم تشخیص نفوذ با استفاده از روش های جمعی

1. مقدمه 2. تحقیقات مرتبط 3. مدل ارائه شده 4. آزمایش ها 5. بحث و بررسی و نتایج 6. نتیجه گیری

چکیده – وظیفه اصلی یک سیستم تشخیص نفوذ (IDS)، شناسایی رفتارهای غیر معمول در داخل و خارج سیستم شبکه است و تاکنون مطالعات متعددی در زمینه استفاده از یادگیری ماشین در این حوزه صورت گرفته است. محدودیت استفاده از یک طبقه بندی کننده واحد در طبقه بندی ترافیک عادی و ناهنجاری ها (حملات)، منجر به ایجاد مدل های ترکیبی یا جمعی شده است. این مدل ها پیچیده تر هستند اما دقت بالاتر و نرخ هشدار نادرست (FAR) پایین تری دارند. هدف از این مقاله، بهبود عملکرد IDS با استفاده از روش های جمعی و انتخاب ویژگی است. مدل های جمعی بر اساس دو تکنیک جمعی دسته بندی (Bagging) و تقویت (Boosting) ساخته شده اند و الگوریتم های بر اساس درخت (tree-based) به عنوان طبقه بندی ساز پایه انتخاب شده اند. مدل های پیشنهادی با استفاده از مجموعه داده های NSL-KDD مورد ارزیابی قرار گرفتند. نتایج تجربی روی زیر مجموعه ای با 35 ویژگی انتخاب شده، نشان داد که مدل جمعی Bagging با J48 به عنوان طبقه بندی کننده پایه، بهترین عملکرد را از لحاظ دقت طبقه بندی و FAR ایجاد کرد.

The main task of an intrusion detection system (IDS) is to detect anomalous behaviors from both within and outside the network system, and there have been increasing studies applying machine learning in this area. The limitations of using a single classifier in the classification of normal traffic and anomalies (attacks) led to the idea of building hybrid or ensemble models which are more complicated but provide higher accuracy and lower false alarm rate (FAR). The aim of this paper is to improve the performance of IDS by using ensemble methods and feature selection. The ensemble models were built based on the two ensemble techniques, Bagging and Boosting, with the tree-based algorithms as the base classifier. The proposed models were then evaluated using NSL-KDD datasets. The experimental results showed that the bagging ensemble model with J48 as the base classifier produced the best performance in terms of both classification accuracy and FAR when working with the subset of 35 selected features.