ورود
مقالات فارسیISIکنفرانسهاژورنالها

بررسی روش یادگیری جمعی AdaBoost در داده های نامتوازن جهت شناسایی حملات شبکه

Publish place: کنفرانس بین المللی مهندسی کامپیوتر و فناوری اطلاعات
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,446

This Paper With 9 Page And PDF and WORD Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:
https://civilica.com/doc/494105

شناسه ملی سند علمی:

CITCOMP01_176

تاریخ نمایه سازی: 16 شهریور 1395

Abstract:

سیستم های تشخیص نفوذ باید به طور کارا و با دقت بالا تهدیدها و حملات شبکه ای را تشخیص دهند. یادگیری ماشین مبتنی بر مدل های تشخیص نفوذ نهایت تلاش خود را جهت افزایش نرخ تشخیص به کار می برند. مشکل داده های نامتوازن اغلب در داده های مربوط به حملات شبکه رخ می دهد که می تواند موجب کاهش دقت سیستم های تشخیص نفوذ گردد. در این مقاله با توجه به اینکه مقدار خطای حاصل از اجماع مدل ها به دلیل هم پوشانی نسبت به حالت تکی کمتر خواهد بود، روش یادگیری جمعی AdaBoost مورد بررسی قرار گرفته است. با استفاده از مجموعه داده ای که از طریق طراحی دو هانی نت آزمایشگاهی مجازی در دو مکان متفاوت بدست آمده، طبقه بندهای مختلف را مورد ارزیابی قرار داده ایم و نتایج حاصل را تشریح نموده ایم.

Keywords:

Authors

فرهاد رضازاده

دانشگاه آزاد اسلامی واحد بوشهر، گروه فنی و مهندسی، بوشهر، ایران

حمید پروین

دانشگاه آزاد اسلامی واحد بوشهر، گروه فنی و مهندسی، بوشهر، ایران

فرهاد راد

دانشگاه آزاد اسلامی واحد بوشهر، گروه فنی و مهندسی، بوشهر، 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 :
  • Talabis, R. (2006). Honeynet learning: discovering IT security. SIGCSE Bull., ...
  • Mena, L., and Gonzalez, J.A. (2006). Machine learning for imbalanced ...
  • Cohen, G., Hilario, M., Sax, H., Hugonnet, S., and Geissbuhler, ...
  • Mazurowski, M.A., Habas, P.A., Zurada, J.M., Lo, J.Y., Baker, J.A., ...
  • Al-Shahib, A. Breitling, R., and Gilbert, D. (2005). Feature Selection ...
  • Tan, A.C., and Gilbert, D. (2003). Ensemble machine learning On ...
  • Kermanidis, K., Maragoudakis, M., Fakotakis, N., & Kokkinakis, G. (2004). ...
  • Cieslak, D.A., Chawla, N.V., and Striegel, A. (2006). Combating Imbalance ...
  • Phua, C., Alahakoon, D., and Lee, V. (2004). Minority report ...
  • Huang, Y.M., Hung, C.M., and Jiau, H.C. (2006). Evaluation of ...
  • Burez, J., van, D., and Poel, d. (2009). Handling Class ...
  • Xie, Y., Li, X., Ngai, E. W. T., and Ying, ...
  • Kobylinski, L., and Przepiorkow ski, A. (2008). Definition Extraction with ...
  • Stamatatos, E. (2008). Author identification: Using text sampling to handle ...
  • Rokach, L. (2010). En semble-based classifiers. Artificial Intelligence Review, 33, ...
  • Polikar, R. (2006). Ensemble based systems in decision making. IEEE ...
  • Opitz, D., and Maclin, R. (1999). "Popular ensemble methods: An ...
  • Honeynet Project maintainers, (2006). The honeynet project. Technical report, _ ...
  • Pearson, R., , Goney, G., and Shwaber, J. (2003). Imbalanced ...
  • Wu, G., & Chang, E. Y. (2003). Clas s-boundary alignment ...
  • Weiss, G., and Provost, F. (2003). Learning when training data ...
  • Chawla, N.V., Japkovicz, N., and Kolcz, A. editors. (2003). Investigating ...
  • Japkowicz, N. (2003). Class Imbalances: Are we Focusing On the ...
  • Weiss, G. M. (2004). Mining with rarity: A unifying framework. ...
  • DeRouin, E., Brown, J., Fausett, L, and Schneider, M. (1991). ...
  • Estabrooks, A., Jo, T., and Japkowicz, N. (2004). A multiple ...
  • Drummond, C., and Holte, R.C. (2003). Class Imbalance, and Cost ...
  • van, J. D., Khoshgoftaar, T. M., and Napolitano, _ (2007). ...
  • Yen, S.J., and Lee, Y. S. (2009). Cluster-based under- sampling ...
  • Kotsiantis, S.B., Kanellopoulo S, D., and Pintelas, P. (2006). Handling ...
  • Japkowicz, N. (2000). The Class Imbalance Problem: Significance and Strategies. ...
  • Japkowicz, N. (2000). Learning from Imbalanced Data Sets: A Comparison ...
  • Chawla, N.V., Bowyer, K.W., Hall, L.O., _ Kegelmeyer, W.P. (2002). ...
  • Engen, V. (2010). Machine learning for network based intrusion detection ...
  • Kuncheva, L. I. (2004). Combining Patter Classifiers: Methods and Algorithms, ...
  • Jurek, A., Bi, Y., Wu, S. and Nugent, C. (2013). ...
    • نمایش کامل مراجع