سیستم تشخیص نفوذ سبک وزن توسط الگوریتم ازدحام ذرات و درخت تصمیم

Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 621

This Paper With 9 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:

CITCONF02_090

تاریخ نمایه سازی: 19 اردیبهشت 1395

Abstract:

با پیشرفت سریع تکنولوژی کامپیوتری، پایگاه داده هایی با صدها و هزاران ویژگی در زمینه های شناسایی الگو، داده کاوی، یادگیری ماشین و غیره بوجود آمده است. به طوری که پردازش مجموعه داده های بزرگ، یک کار چالش برانگیز شده است بنابراین با انتخاب بهترین مجموعه ویژگی، می توان به دقت قابل قبولی در پردازش پایگاه داده و همچنین در کاوش روابط معنادار دینی ویژگی ها رسید. در حال حاضر امنیت سیستم ها از ابزارهای امنیتی متفاوتی از جمله دیواره آتش و سیستم های تشخیص نفوذ IDS در شبکه ها استفاده می کنند. روش هایی که IDS بر اساس آن کار می کند به دو دسته تشخیص الگو و در تشخیص ناهنجاری تقسیم می شوند. روش های تشخیص ناهنجاری توانایی شناسایی حمله های جدید را دارند اما نرخ هشدار غلط در آن ها بالا است. تشخیص ناهنجاری دارای ویژگی های زیادی می باشد بعضی از این ویژگی ها تأثیر چندانی در تشخیص نفوذ ندارند و ممکن است باعث انحراف در تشخیص نفوذ گردند. لذا انتخاب ویژگی های بهینه می تواند به تشخیص را افزایش دهد. در این مقاله سیستم تشخیص نفوذ سبک و زیبا انتخاب ویژگی های بهینه توسط الگوریتم ازدحام ذرات و دسته بندی درخت تصمیم ارائه شده است. روش پیشنهادی روی مجموعه داد KDD99 آزمایش شده که نشان دهنده افزایش نرخ تشخیص و کاهش نرخ هشدار غلط می باشد.

Authors

مهدی نجفی

کارشناسی ارشد، دانشکده فنی مهندسی، دانشگاه اراک، اراک

رضا رافع

استادیار، دانشکده فنی مهندسی، دانشگاه اراک، اراک

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 :
  • tree based light weight intrusion Decisionه 8. S. S. Sivatha ...
  • _ Results of the KDD'99 Classifier Learning Contest. Available: http ...
  • C. A. Catania and . G. Garino. (2012), ":Automatic network ...
  • S. X. Wu and W. Banzhaf. (2010), _ use of ...
  • H. E. Posto. (2012), _ brief taxonomy of intrusion detection ...
  • J. Park, K. Shazzad, and D. Kim. (2005), "Toward Modeling ...
  • X. W. Chen. (2003), _ selection for cancer classification using ...
  • M.-Y. Su. (2011), "Real-time anomaly detection systems for Den ial-of-Service ...
  • M. M. Pillai, J H. P. Eloff, and H. S. ...
  • H. Frohlich, O. Chapelle, and B. Scholkopf. (2003), :Feature selection ...
  • D. Kim, H.-N. Nguyen, S.-Y. Ohn, and J. Park. (2005), ...
  • Y. Li, J.-L. Wang, Z.-H. Tian, T.-B. Lu, and C. ...
  • S.-W. Lin, K.-C. Ying, C.-Y. Lee, and Z.-J. Lee (2012), ...
  • K. Wankhade, S. Patka, and R. Thool (2013), _ Overview ...
  • Z. Duanyang, X. Qingxiang, and F. Zhili. (2010), "Analysis and ...
  • X. Gao, M. Wang, and Z. Rongchun. (2005), "Applying fuzzy ...
  • S.-W. Lin, S.-C. Chen, W.-J. Wu, and C.-H. Chen. (2009), ...
  • نمایش کامل مراجع