دانلود ترجمه مقاله سیستم های تشخیص نفوذ مبتنی بر شبکه عصبی

1. مقدمه 2. توابع یادگیری شبکه عصبی 3. سیستم پیشنهادی 4. نتایج تجربی 5. نتیجه گیری

چکیده – در دهه های گذشته، با توجه به پیشرفت در تکنیک های شبکه و افزایش استفاده از اینترنت، ارتباطات دیجیتال وارد تمام فعالیت های بازار جهانی شده است. به موازات این پیشرفت ها، تلاش های هکرها برای نفوذ به شبکه ها نیز افزایش یافته است. آنها سعی کردند تا با دسترسی غیر مجاز به شبکه ها، تغییراتی در داده ها ایجاد کرده و یا ترافیک شبکه را افزایش دهند، یا با ایجاد انکار سرویس، به شبکه ها حمله کنند. اگر چه فایروال ها، ابزارهایی مناسب برای جلوگیری از این نوع حملات به نظر می رسد، سیستم های تشخیص نفوذ (IDSها) نیز مخصوصا برای تشخیص حمله در سیستم شبکه، به آنها ترجیح داده می شوند. در چند سال گذشته، عملکرد IDS با کمک الگوریتم های یادگیری ماشین بهبود یافته است. میزان این بهبود و تاثیرگذاری، به الگوریتم آموزشی و یادگیری مورد استفاده بستگی دارد. عمدتا، دانستن اینکه که کدام الگوریتم یادگیری می تواند سریع ترین الگوریتم باشد، آسان نیست. انتخاب الگوریتم بستگی به عوامل متعددی، از جمله اندازه مجموعه داده ها، تعداد گره های شبکه های طراحی شده، میزان خطای هدف گیری شده، پیچیدگی مشکل، و غیره دارد. در این مقاله، هدف مقایسه عملکرد تابع یادگیری شبکه در یک شبکه عصبی مصنوعی چند لایه است، که برای ساخت یک سیستم تشخیص نفوذ موثر طراحی شده است. نتایج تجربی در مقاله با توضیح کارایی الگوریتم ها با توجه به میزان تشخیص درست و مثبت و سرعت اجرای آن، شرح داده می شود.

In the last decades, due to the improvements in networking techniques and the increased use of the Internet, the digital communications entered all of the activities in the global marketplace. Parallel to these enhancements the attempts of hackers for intruding the networks are also increased. They tried to make unauthorized access to the networks for making some modifications in their data or to increase the network traffic for making a denial of service attack. Although a firewall seems as a good tool for preventing this type of attacks, intrusion detection systems (IDSs) are also preferred especially for detecting the attack within the network system. In the last few years, the performance of the IDS is increased with the help of machine learning algorithms whose effects depend on the used training/learning algorithm. Mainly it is really hard to know which learning algorithm can be the fastest one according to the problem type. The algorithm selection depends on lots of factors such as the size of data sets, number of nodes network design, the targeted error rate, the complexity of the problem, etc. In this paper, it is aimed to compare different network training function in a multi-layered artificial neural network which is designed for constructing an effective intrusion detection system. The experimental results are depicted in the paper by explaining the efficiency of the algorithms according to their true-positive detection rates and speed of the execution.