بهبود نرخ تشخیص و کاهش مقدار FNR در سیستم تشخیص نفوذ با استفاده از ترکیب طبقه بند نزدیک ترین همسایه و شبکه عصبی
Publish place: 1st National Innovation Conference on Computer Engineering and Information Technology
Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 581
This Paper With 5 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:
شناسه ملی سند علمی:
CEIT01_365
تاریخ نمایه سازی: 9 تیر 1393
Abstract:
سیستم های تشخیص نفوذ IDS از مولفه های اصلی جامعه اطلاعاتی امروزی به حساب می آیند. Fnr در این سیستم ها از اهمیت بالایی برخوردار است. به دلیل اینکه امنیت سیستم با افزایش fnr کاهش می یابد. ما در این مقاله سعی داریم با استفاده از ترکیب روشهای طبقه بندی مقدار fnr در این سیستم ها را کاهش دهیم . در این مقاله سعی بر این است تا با استفاده از مزایای طبقه بند knn و ترکیب آن با شبکه عصبی ffnn مقدار fnr را کاهش داده و دقت خوبی را برای طبقه بندی بدست آوردیم. با استفاده از این روش ما به دقت 94 % و fnr ، 0.11 رسیده ایم .
Keywords:
Authors
زهرا خدابخشی پاریزی
دانشجوی فوق لیسانس، هوش مصنوعی، دانشگاه علوم و تحقیقات ، کرمان
فرشید کی نیا
استادیار، هوش مصنوعی، دانشگاه علوم و تحقیقات ، کرمان