دانلود ترجمه مقاله تشخیص نفوذ شبکه مبتنی بر یادگیری ماشین

1. مقدمه 2. ELM بهینه سازی محدود برابر (C-ELM) 3. روش پیشنهادی 4. کاربرد در سیستم های تشخیص نفوذ 5. نتیجه گیری

چکیده – امنیت شبکه تبدیل به یک مسئله بسیار مهم شده است و مطالعات و تحقیقات فراوانی را به خود معطوف کرده است. برای شناسایی و یا جلوگیری از حملات شبکه، ممکن است یک سیستم تشخیص نفوذ شبکه (NID)، در کنار الگوریتم های یادگیری ماشین به دقت بهتر و سرعت تشخیص بیشتر برسد. یکی از مزایای عمده استفاده از یادگیری ماشین برای تشخیص نفوذ شبکه این است که مانند مدل های لیست سفید و لیست سیاه به تجربه و دانش کارشناسان و متخصصین هیچ نیازی نداریم. در این مقاله، ما یادگیری ماشین سریع مبتنی بر بهینه سازی محدود برابر را برای تشخیص نفوذ شبکه اعمال می کنیم. برای به دست آوردن تعداد مطلوب نورونهای لایه میانی، یک استراتژی یادگیری تطبیقی افزایشی پیشنهاد شده است. معیارهای بهینه سازی و روش تطبیقی افزایش نورون های پنهان با جستجوی باینری توسعه یافته است. قابلیت های روش پیشنهادی برای تشخیص نفوذ شبکه بررسی شده است. نتایج تجربی نشان می دهد که روش پیشنهادی در ساخت مدل هایی با میزان تشخیص حمله خوب و سرعت یادگیری بالا موثر است.

Network security has become a very important issue and attracted a lot of study and practice. To detect or prevent network attacks, a network intrusion detection (NID) system may be equipped with machine learning algorithms to achieve better accuracy and faster detection speed. One of the major advantages of applying machine learning to network intrusion detection is that we don't need expert knowledge as much as the black or white list model. In this paper, we apply the equality constrained-optimization-based extreme learning machine to network intrusion detection. An adaptively incremental learning strategy is proposed to derive the optimal number of hidden neurons. The optimization criteria and a way of adaptively increasing hidden neurons with binary search are developed. The proposed approach is applied to network intrusion detection to examine its capability. Experimental results show our proposed approach is effective in building models with good attack detection rates and fast learning speed.