دانلود ترجمه مقاله در راستای ایجاد یک مجموعه داده جدید تشخیص نفوذ

1. مقدمه 2. مجموعه داده های موجود 3. آزمایش ها 4. مجموعه داده 5. تجزیه و تحلیل 6. نتیجه گیری

چکیده – با رشد چشمگیر اندازه شبکه های کامپیوتری و برنامه های توسعه یافته، آسیب های بالقوه ای که می توانند از انجام حملات ایجاد شوند، افزایش قابل توجهی داشته است. در همین حال، سیستم های تشخیص نفوذ (IDS ها) و سیستم های پیشگیری از نفوذ (IPS ها) یکی از مهمترین ابزار های دفاع در برابر حملات شبکه پیچیده و در حال گسترش هستند. با توجه به کمبود داده های مورد نیاز، روش های مبتنی بر ناهنجاری در سیستم های تشخیص نفوذ، از نبود دقت، تجزیه و تحلیل و ارزیابی مناسب رنج می برند. مجموعه داده هایی مانند DARPA98، KDD99، ISC2012 و ADFA13 وجود دارند، که توسط محققین برای ارزیابی عملکرد روش های تشخیص نفوذ و پیشگیری از نفوذ پیشنهادی استفاده می شود. بر اساس تحقیق صورت گرفته روی یازده مجموعه داده از سال 1998 تاکنون، بسیاری از چنین مجموعه داده هایی منقضی شده و غیرقابل اعتماد هستند. مشکل برخی از این مجموعه داده ها، عدم تنوع و حجم ترافیکی است. مشکل برخی دیگر، عدم پوشش بعضی از حملات است، در حالی که دیگران، اطلاعات بسته های شبکه ناشناس را پولاید می کنند که نمی توانند روند فعلی را منعکس کنند، یا فاقد مجموعه ویژگی ها یا متا داده هستند. این تحقیق، یک مجموعه داده معتبر ایجاد می کند، که شامل جریان های شبکه ای مهاجم و بی خطر است که با معیارهای دنیای واقعی مطابقت داشته و در دسترس عموم قرار دارد. در نتیجه، این تحقیق عملکرد یک مجموعه جامع از ویژگی های ترافیک شبکه و الگوریتم های یادگیری ماشین را برای نشان دادن بهترین مجموعه از ویژگی ها، که برای تشخیص برخی از دسته های حمله به کار می رود، ارزیابی می کند.

With exponential growth in the size of computer networks and developed applications, the significant increasing of the potential damage that can be caused by launching attacks is becoming obvious. Meanwhile, Intrusion Detection Systems (IDSs) and Intrusion Prevention Systems (IPSs) are one of the most important defense tools against the sophisticated and ever-growing network attacks. Due to the lack of adequate dataset, anomaly-based approaches in intrusion detection systems are suffering from accurate deployment, analysis and evaluation. There exist a number of such datasets such as DARPA98, KDD99, ISC2012, and ADFA13 that have been used by the researchers to evaluate the performance of their proposed intrusion detection and intrusion prevention approaches. Based on our study over eleven available datasets since 1998, many such datasets are out of date and unreliable to use. Some of these datasets suffer from lack of traffic diversity and volumes, some of them do not cover the variety of attacks, while others anonymized packet information and payload which cannot reflect the current trends, or they lack feature set and metadata. This paper produces a reliable dataset that contains benign and seven common attack network flows, which meets real world criteria and is publicly avaliable. Consequently, the paper evaluates the performance of a comprehensive set of network traffic features and machine learning algorithms to indicate the best set of features for detecting the certain attack categories.