دانلود ترجمه مقاله بهبود تشخیص نفوذ با استفاده از میانگین هندسی

1. مقدمه 2. تحلیل متمایز خطی 3. فرمول بندی میانگین هندسی LDA 4. پایگاه های داده شبیه سازی شده 5. آزمایش ها و بحث و بررسی 6. نتیجه گیری

چکیده – سیستم تشخیص نفوذ (IDS) مبتنی بر ناهنجاری، نفوذ را با تطبیق خود برای شناسایی رفتار عادی شبکه تشخیص می دهند. سپس، هر زمان که رفتار مشکوکی از شبکه ای مشاهده شود، هشدار داده می شود. با این وجود، این نوع IDS معمولا با نرخ تشخیص پایین و نرخ تشخیص کاذب بالا همراه است که به دلیل اختلالاتی رخ می دهد که در ساخت الگوی معمولی شبکه و یا یک مدل وجود دارد. برای اجتناب از این مسئله، بسیاری از مقالات، قبل از ساخت مدل، از یک روش استخراج ویژگی به نام تجزیه و تحلیل متمایز خطی (LDA) را به عنوان یک گام میانی استفاده کردند. متاسفانه، LDA دارای یک نقطه ضعف مهم است، بردار متوسط کلاس که در این روش استفاده می شود، همیشه با متوسط نمونه کلاس محاسبه می شود. این بدین معناست که نمی توان برآورد دقیقی از میانگین کلاس، به ویژه با وجود موارد غیر معمول، ارائه کرد. در این مقاله، برای غلبه بر این چالش، پیشنهاد می شود تا از میانگین هندسی برای برآورد بردار متوسط کلاس در مدل سازی LDA استفاده شود. آزمایش های متعددی که در مورد KDDcup99and NSL-KDD صورت گرفته است، نشان می دهد که رویکرد پیشنهادی بیشتر از الگوریتم های دیگر LDA است که تا قبل از این مورد استفاده قرار می گرفتند.

Anomaly based Intrusion Detection System (IDS) recognizes intrusion by adapting itself to identify normal behavior of the network. It then raises an alarm whenever any suspicious network behaviors are observed. Nonetheless, this kind of IDS is usually prone to small detection rate and high false positive rate due to difficulties involved in building normal network traffic pattern or a model. To avoid as much as possible this issue, many papers exploited a feature extraction method called linear discriminant analysis (LDA) as an intermediate step before constructing the model. Unfortunately, LDA has an important weakness, the class mean vector employed in this method is always estimated by the class sample average. That is not sufficient to provide an accurate estimate of the class mean, particularly with the presence of outliers. In this paper, to overcome that, we propose to use the geometric mean to estimate the class mean vector in LDA modeling. Many experiment on KDDcup99and NSL-KDD indicate that the proposed approach is more effective than numerous LDA algorithms.