انتخاب خصیصه ها در سیستم تشخیص نفوذ شبکه بی سیم حسگر با استفاده از درخت تصمیم گیری

Publish Year: 1390
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,841

This Paper With 8 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ICEEE03_018

تاریخ نمایه سازی: 18 مهر 1390

Abstract:

با افزایش روزافزون کاربرد اینترنت و شبکه های بی سیم امنیت نیز به عنوان یکی از مسائل مطرح مورد بررسی قرار میگیرد از جمله شبکه های پرکاربرد می توان به شبکه های بی سیم حسگر با محدودیت توان محاسباتی و حافظه اشاره کرد امنیت این شبکه ها همانند دیگر شبکه ها در مقبل حملات بایدمورد توجه قرارگیرد. یکی از روشهای مقابله استفاده از سیستم تشخیص نفوذ است دراین مقاله با استفاده از ابزار داده کاوی با عنوان درخت تصمیم گیری خصیصه های ضروری برای سیستم تشخیص نفوذ مناسب با محدودیت های شبکه حسگر مورد بحث قرار می گیرد بکارگیری درخت تصمیم گیری باعث می شود از میان 41 خصیصه موجوددر پایگاه داده kddCup99 که بعنوان پایگاه داده است سیستم تشخیص نفوذ شناخته شده 15 خصیصه انتخاب گردد در نتیجه میزان توان محاسباتی و حافظه مصرفی را کاهش دهد و قابل استفاده در شبکه های حسگر بی سیم گردد و میزان دقت دراین روش 99.98% خواهد بود.

Keywords:

سیستم تشخیص نفوذ , الگوریتم درخت تصمیم گیری , شبکه های حسگر بی سیم , داده کاوی

Authors

هاجر باغچه بند

دانشگاه تحصیلات تکمیلی صنعتی کرمان دانشکده برق و کامپیوتر

امیرحسین فرزامیان

دانشگاه تحصیلات صنعتی کرمان دانشکده برق و کامپیوتر

حمیدرضا ناجی

دانشگاه تحصیلات صنعتی کرمان دانشکده برق و کامپیوتر

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • " 2ranian Conference on Electrical and Electronics Engineering (ICEEE2011) دانشگاه ...
  • میزان اهمیت خصیصه حذف شده را با توجه به قوانین ...
  • قدم 1 تا 4 برای تمامی خصیصه‌های موجود تکرار می‌گردند. ...
  • " 2ranian Conference on Electrical and Electronics Engineering (ICEEE2011) دانشگاه ...
  • N um_access_file 19 20 s_guest_loginا Count 21 ...
  • " Iranian Conference on Electrical and Electronics Engineering (ICEEE2011) دانشگاه ...
  • " 2ranian Conference on Electrical and Electronics Engineering (ICEEE2011) دانشگاه ...
  • " 2ranian Conference on Electrical and Electronics Engineering (ICEEE2011) دانشگاه ...
  • ، 2، 4، 6، 7، 8، 52، 54، 57، 27، ...
  • Beghdad, Rachid, Critical study of neural networks in detecting intrusions. ...
  • J.R. Quinlan, Introduction of decision tree, Machine Learning, ppt. 81-106, ...
  • J. Han, M. Kamber, Data Mining: Concept and ...
  • techniques (2" Eaition), Amsterdam, _ _ 2006. ...
  • Innella, P and McMillan, O. An introduction to intrusion detection ...
  • Chen, Yuehui, Abraham, Ajith and Yanga, Bo.Feature selection and classification ...
  • Tsang, Chi-Ho, Kwong, Sam and Wang, Hanli. feature selection techniques ...
  • Sung, Andrew H and Mukkamala, Srinivas. Identifying Important Features for ...
  • Proceedings of the 2003 Symposium on Applications and the Internet ...
  • Kendall, Kristopher. A Database of Computer Attacks for the Evaluation ...
  • Axelsson, S. The base-rate fallacy and the difficulty of intrusion ...
  • Dokas, P., et al., et al. Data mining fornetwork intrusion ...
  • Mukkamala, Srinivas. Intrusion detection using neural networks and support vector ...
  • نمایش کامل مراجع