دانلود ترجمه مقاله پیش پردازش شدید KDD Cup 99 برای طبقه بندی نفوذ شبکه

1. مقدمه 2. تحقیقات مرتبط 3. پیش پردازش مجموعه داده کشف دانش 4. روش های دسته بندی کننده 5. ارزیابی عملکرد روش های دسته بندی کننده 6. ارزیابی آزمایش ها و نتایج 7. نتیجه گیری و تحقیقات آتی

چکیده – مهندسان امنیت شبکه سعی می کنند تا با حفظ سرویس دهی دائمی، حملات مهاجمین را دفع کنند. سیستم تشخیص نفوذ (IDS) یکی از مکانیزم های قابل دستیابی است که برای تشخیص و طبقه بندی هر گونه اقدام غیر طبیعی استفاده می شود. بنابراین، IDS همیشه باید با آخرین کدهای شناسایی حملات مهاجمین به روز شود تا اعتمادپذیری، انسجام و در دسترس بودن خدمات خود را حفظ کند. سرعت IDS بسیار و یادگیری حملات جدید دو عامل بسیار مهم است. این پژوهش نشان می دهد که چگونه مجموعه داده های کشف دانش و داده کاوی (یا کشف دانش در پایگاه های داده) KDD، برای آزمایش و ارزیابی تکنیک های مختلف یادگیری ماشین مفید هستند. در این تحقیق، به طور عمده بر روی بخش پیش پردازش های KDD تمرکز می شود تا مجموعه ای از داده های تجربی متناسب تهیه شود. در این تحقیق، تکنیک های J48، جنگل تصادفی، درخت تصادفی، MLP، بیزی ساده و دسته بندی کننده بیزی شبکه انتخاب شده اند. ثابت شد که دسته بندی کننده جنگل تصادفی دارای بالاترین میزان دقت در شناسایی و طبقه بندی تمام حملات داده های KDD، از نوع (DOS، R2L، U2R و PROBE) می باشد.

Network security engineers work to keep services available all the time by handling intruder attacks. Intrusion Detection System (IDS) is one of the obtainable mechanism that used to sense and classify any abnormal actions. Therefore, the IDS must be always up to date with the latest intruder attacks signatures to preserve confidentiality, integrity and availability of the services. The speed of the IDS is very important issue as well learning the new attacks. This research work illustrates how the Knowledge Discovery and Data Mining (or Knowledge Discovery in Databases) KDD dataset is very handy for testing and evaluating different Machine Learning Techniques. It mainly focuses on the KDD preprocess part in order to prepare a decent and fair experimental data set. The techniques J48, Random Forest, Random Tree, MLP, Naïve Bayes and Bayes Network classifiers have been chosen for this study. It has been proven that the Random forest classifier has achieved the highest accuracy rate for detecting and classifying all KDD dataset attacks, which are of type (DOS, R2L, U2R, and PROBE).