دانلود ترجمه مقاله تشخیص نفوذ بر اساس یک رویکرد یادگیری ترکیبی

1. مقدمه 2. تحقیقات مرتبط 3. مواد و روش ها 4. معیارهای ارزیابی عملکرد 5. بحث و بررسی و نتایج 6. نتیجه گیری و تحقیقات آتی

چکیده – امنیت اطلاعات و سیستم های تشخیص نفوذ (IDS) نقش مهمی را در اینترنت ایفا می کنند. IDS یک ابزار ضروری برای شناسایی انواع حملات در یک شبکه، حفظ یکپارچگی داده ها، محرمانه بودن و دسترسی به سیستم در برابر تهدیدات احتمالی است. در این مقاله یک رویکرد ترکیبی برای دستیابی به کارایی بیشتر، پیشنهاد شده است. در واقع، هدف مهم این تحقیق، ایجاد یک مجموعه داده آموزشی کارآمد است. به منظور بهره گیری از توانایی های خوشه بندی و انتخاب ویژگی، این دو قابلیت در سیستم های تشخیص نفوذ ترکیب شدند، بنابراین روش پیشنهاد شده با استفاده از هر دوی این تکنیک ها عمل می کند. در ابتدا، یک مجموعه داده جدید آموزشی بوسیله روش خوشه بندی K-Medoids و روش انتخاب ویژگی SVM ایجاد می شود. سپس طبقه بندی ساده بیزی به منظور ارزیابی استفاده می شود. روش پيشنهادي، با یک الگوريتم ترکیبی ديگر و همچنین 10 روش اعتبار سنجي متقابل مقايسه شده است. نتایج تجربی بر اساس مجموعه داده KDD CUP'99 نشان می دهد که روش پیشنهادی دارای دقت بالا و میزان تشخیص بهتر است و همچنین، میزان هشدار اشتباه آن نسبت به سایر روش ها کمتر می باشد.

The information security and the Intrusion Detection System (IDS) play a critical role in the internet. IDS is an essential tool for detecting different kinds of attacks in a network and maintaining data integrity, confidentiality, and system availability against possible threats. In this paper, a hybrid approach is proposed towards achieving a high performance. In fact, the important goal of this paper is to generate an efficient training dataset. In order to exploit the strength of clustering and feature selection, an intensive focus on intrusion detection combines the two, so the proposed method is using these techniques as well. At first, a new training dataset is created by K-Medoids clustering and Selecting Feature using the SVM method. Then Naïve Bayes classifier is used for evaluation. The proposed method is compared with another mentioned hybrid algorithm and also 10-fold cross validation. The experimental results based on the KDD CUP’99 dataset show that the proposed method has a better accuracy and detection rate and also false alarm rate than the others.