دانلود ترجمه مقاله سیستم تشخیص نفوذ براساس داده های KDD-99 با تکنیک های داده کاوی

1. مقدمه 2. مواد و روش ها 3. فرآیند توسعه مدل 4. نتایج و بحث و بررسی 5. انتخاب ویژگی 6. نتیجه گیری

چکیده – اینترنت و کاربران اینترنت رو به روز در حال افزایش هستند. همچنین بخاطر توسعه سریع فنآوری اینترنت، امنیت به مسئله بزرگی تبدیل شده است. نفوذ کننده ها دائماً شبکه های کامپیوتری را جهت حمله مورد نظارت و پایش قرار می دهند. یک فایروال پیشرفته با «سیستم تشخیص نفوذ» (IDS) کارآمد برای جلوگیری از حمله به شبکه های کامپیوتری لازم است. مرور پیشینه جامع ثابت می کند که فنون داده کاوی، روش قویتری برای توسعه IDS به عنوان یک دسته کننده می باشند. عملکرد دسته کننده مسئله مهمی از نظر بازده می باشد و همچنین تعداد ویژگی هایی که توسط IDS باید اسکن شوند، نیز باید بهبود یابند. در این مقاله، دو روش C5.0 و شبکه عصبی مصنوعی (ANN) با انتخاب ویژگی بکار گرفته می شوند. فنون انتخاب ویژگی، تعدادی از ویژگی های غیرمرتبط را حذف می کنند، درحالی که C5.0 و ANN به عنوان یک دسته کننده برای دسته بندی داده ها در یک نوع نرمال یا یکی از پنج نوع حمله، عمل می کند. جهت آموزش دادن و آزمون مدل ها، از مجموعه داده KDD99 استفاده می شود، مدل C5.0 با تعداد ویژگی ها، بهترین نتایج را با تقریباً دقت 100% تولید می کند. همچنین عملکرد از نظر اندازه افراز داده ها، تایید شد. مقدمه: امنیت اطلاعات یا شبکه به یک مسئله مهم برای هر سازمانی جهت حفاظت از داده ها و اطلاعات در شبکه کامپیوتری خود علیه انواع مختلف حمله با کمک یک سیستم تشخیص نفوذ (IDS ) کارآمد و مقاوم، تبدیل شده است. IDS را می توان با استفاده از فنون یادگیری ماشینی مختلف توسعه داد. IDS به عنوان یک دسته کننده عمل می کند که داده ها را در دسته نرمال یا حمله ای قرار می دهد. دسته بندی، فرآیند گروه بندی و دسته بندی طبقه بندی های مختلف داده ها با هم می باشد. دسته بندی یکی از کاربردهای بسیار معمول داده کاوی است که در آن نمونه های مشابه با هم به صورت نظارت شده در یک گروه قرار می گیرند.

Internet and internet users are increasing day by day. Also due to rapid development of internet technology, security is becoming big issue. Intruders are monitoring computer network continuously for attacks. A sophisticated firewall with efficient intrusion detection system (IDS) is required to prevent computer network from attacks. A comprehensive study of literatures proves that data mining techniques are more powerful technique to develop IDS as a classifier. Performance of classifier is a crucial issue in terms of its efficiency, also number of feature to be scanned by the IDS should also be optimized. In this paper two techniques C5.0 and artificial neural network (ANN) are utilized with feature selection. Feature selection techniques will discard some irrelevant features while C5.0 and ANN acts as a classifier to classify the data in either normal type or one of the five types of attack.KDD99 data set is used to train and test the models ,C5.0 model with numbers of features is producing better results with all most 100% accuracy. Performances were also verified in terms of data partition size. INTRODUCTION: Information or network security is becoming an important issue for any organization to protect data and information in their computer network against various types of attack with the help of an efficient and robust Intrusion Detection System (IDS). IDS can be developed using various machine learning techniques. IDS act as a classifier which classifies the data as normal or attack. Classification is a process of putting different categories of data together. Classification is one of the very common applications of the data mining in which similar type of samples are grouped together in supervised manner.

بخشی از ترجمه مقاله (صفحه 9 فایل ورد ترجمه)