دانلود ترجمه مقاله RFAODE: یک سیستم نوین تشخیص نفوذ

1. مقدمه 2. تحقیقات مرتبط 3. روش ها 4. تجزیه و تحلیل تجربی 5. نتیجه گیری

چکیده – در سالیان اخیر، فناوری اطلاعات و ارتباطات (ICT) به بخش مهمی از زندگی انسان ها تبدیل شده است. اما ICT، خطرات سایبری مختلفی را با خود به ارمغان آورده است. سیستم های شبکه در معرض تهدیدات و خطرات جدیدی قرار گرفته اند. سیستم تشخیص نفوذ (IDS) برای شناسایی این حملات به کار گرفته می شود. یادگیری ماشین (ML) و روش های داده کاوی (DM)، به طور گسترده ای در IDS مورد استفاده قرار می گیرند. الگوریتم های فعلی IDS منجر به ایجاد نرخ خطای بالاتر و دقت کمتر این سیستم ها برای مقابله با حملات طبقه بندی شده مختلف شده است. این تحقیق، به بررسی کاربرد یک روش طبقه بندی جمعی جدید (RFAODE) در سیستم های تشخیص نفوذ می پردازد. روش طبقه بندی جمعی پیشنهاد شده، با استفاده از دو الگوریتم شناخته شده RF و AODE ایجاد شده است. تخمین گر تک-وابسته میانگین (AODE)، مسئله وابستگی ویژگی را در دسته‌بندی‌کننده بیز ساده حل کرد. جنگل تصادفی (RF) دقت را بهبود می بخشد و میزان خطا را کاهش می دهد. عملکرد دسته بندی کننده جمعی پیشنهاد شده (RF + AODE) با استفاده از داده های کیوتو مورد ارزیابی قرار گرفته است. دسته بندی کننده جمعی ارائه شده AODE، با دقت 90.51٪ و FAR برابر 0.14 از دسته بندی کننده های بیزی ساده و الگوریتم های RF بهتر عمل می کند و ترافیک شبکه را به صورت موثر، به صورت نرمال یا مخرب طبقه بندی می کند.

In recent years information and communication technology (ICT) has become an important part of human life. But ICT brings a lot of cyber risks. New threats and vulnerabilities are created to attack network system. Intrusion detection system (IDS) is used to detect these attacks. Machine learning (ML) and Data Mining (DM) techniques are widely used for IDS. Current IDS algorithms result in high error rate and less accurate to classify various attacks. This paper deals with a novel ensemble classifier (RFAODE) for intrusion detection system. Proposed ensemble classifier is built using two well-known algorithms RF and AODE. Average One-Dependence Estimator (AODE) resolved the attribute dependency issue in Naïve bayes classifier. Random Forest (RF) improves accuracy and reduces the error rate. The performance of proposed ensemble classifier (RF+AODE) is analyzed on Kyoto data set. With accuracy of 90.51% and FAR of 0.14, proposed ensemble classifier outperforms AODE, Naïve bayes, and RF algorithms and efficiently classifies the network traffic as normal or malicious.