ارائه یک روش ترکیبی دسته بندی آدابوست برای تشخیص نفوذ در شبکه هایکامپیوتری

Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 524

This Paper With 7 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:

ICEASCONF01_334

تاریخ نمایه سازی: 9 مرداد 1395

Abstract:

با توجه به رشد فوق العاده خدمات مبتنی بر شبکه، تشخیص نفوذ به عنوان یک امر مهم و حیاتی برای برقراری امنیت شبکه پدید آمده است. ترافیک شبکه از حمله و ترافیک عادی تشکیل شده است. تعداد حملات در شبکه به طور معمول بخش بسیار کوچکی از ترافیک در کل شبکه را تشکیل می دهد.به کارگیری روش های داده کاوی هوشمند برای پیش بینی نفوذ در چنین شبکه هایی با حجم بالای ترافیک و به افزایش است. اکثر سیستم های تشخیص نفوذ از یک الگوریتم طبقه بندی جهت طبقه بندی داده ها و ترافیک شبکه که به عنوان رفتار طبیعی یا غیرعادی است استفاده می کنند. در این مقاله مهم ترین الگوریتم های درخت تصمیم معرفی می شوند و عملیات کاهش ویژگی روی مجموعه داده تشخیص نفوذ انجام می شود. نتایج حاصل از آزمایش ها نشان می دهد که الگوریتم درخت تصمیم J48 نسبت به الگوریتم هایدرخت تصمیم دیگر با الگوریتم کاهش ویژگی GR از لحاظ دقت و کارایی عملکرد بهتری را از خود نشان می دهد.

Keywords:

الگوریتم یادگیری ماشین , درخت تصمیم , سیستم های تشخیص نفوذ

Authors

روزیتا اعتمادی میر

دانشگاه آزاد اسلامی، واحد اراک، گروه کامپیوتر، اراک، ایران

مرتضی موسوی

دانشگاه آزاد اسلامی، واحد اراک، گروه کامپیوتر، اراک، ایران

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 :
  • C. E. Landwehr, A. R. Bull, J. P. McDermott, and ...
  • M. Tavallaee, E. Bagheri, W. Lu, and A. Ghorbani, A ...
  • Mahmood SM (2011). Using ant and S elf-organ ization maps ...
  • Mitchell TM, "Machine Learning", McGraw Hill, 1997. ...
  • Breimn L. Random Forests, "Machine Learning", 2001, 45(1):5-32. ...
  • Saman M. Abdulla, Najla B. Al-Dabagh, Omr Zakaria, Identify Features ...
  • H Nguyen, K Franke, S Petrovic Improving Effectivenes of Intrusion ...
  • S Zaman, F Karray Features selection for intrus ion detection ...
  • نمایش کامل مراجع