دانلود ترجمه مقاله سیستم های تشخیص نفوذ با استفاده از تکنیک‌های داده کاوی

1. مقدمه 2. پژوهش های مرتبط 3. جمع آوری و پیش پردازش مجموعه داده 4. مقوله های حمله 5. تبدیل مجموعه های داده به فرمت LIBSVM و مقیاس بندی خطی 6. ماشین بردار پشتیبانی (SVM) 7. تشخیص نفوذ غیر مجاز با استفاده از SVM 8. نتایج آزمایشی 9. نتیجه گیری

چكيده – هنگامی که نفوذی غیر مجاز اتفاق می افتد، امنیت و حریم یک سیستم با این اقدام به خطر می افتد. سیستم تشخیص نفوذ (IDS)، نقش مهمی در امنیت شبکه ایفا می‌کند. بنابراین در اینجا ما سیستم تشخیص نفوذ، با استفاده از شیوه استخراج داده را مطرح می کنیم: SVM ( ماشین بردار پشتیبان). در اینجا، طبقه بندی با استفاده از SVM انجام می شود و بررسی های مربوط به سودمندی سیستم مفروض، با انجام برخی از آزمایشات، با استفاده از مجموعه NSL KDD CUP99 انجام می‌شود، که نسخه پیشرفته ای از مجموعه داده های KDD CUP99 می باشد.SVM یکی از برجسته‌ترین الگوریتم‌های طبقه بندی در حوزه استخراج داده (داده کاوی) است، اما عیب آن زمان آموزش گسترده‌ی آن می باشد. در این سیستم مفروض، ما با استفاده از مجموعه داده NSL-KDD CUP99 ، برخی از آزمایشات را انجام دادیم. نتایج آزمایشات نشان داد که ما می‌توانیم زمان زیاد لازم برای ایجاد مدل SVM را با استفاده از پیش پردازش صحیح مجموعه داده، کاهش دهیم. همچنین، هنگامی که انتخاب درست تابع کرنل SVM، از جمله تابع بنیادی شعاعی گاوسی را درست انجام دهیم، سرعت کشف حمله SVM افزایش می یابد و سرعت مثبت نادرست (FPR) کاهش می‌یابد.

Security and privacy of a system is compromised, when an intrusion happens. Intrusion Detection System (IDS) plays vital role in network security as it detects various types of attacks in network. So here, we are going to propose Intrusion Detection System using data mining technique: SVM (Support Vector Machine). Here, Classification will be done by using SVM and verification regarding the effectiveness of the proposed system will be done by conducting some experiments using NSL-KDD Cup’99 dataset which is improved version of KDD Cup’99 data set. The SVM is one of the most prominent classification algorithms in the data mining area, but its drawback is its extensive training time. In this proposed system, we have carried out some experiments using NSL-KDD Cup’99 data set. The experimental results show that we can reduce extensive time required to build SVM model by performing proper data set pre-processing. Also when we do proper selection of SVM kernel function such as Gaussian Radial Basis Function, attack detection rate of SVM is increased and False Positive Rate (FPR) is decrease.