توضیحات
چکیده
برای ایجاد امنیت داده ها در شبکه کامپیوتری، علاوه بر دیوار آتش و سایر مکانیزم های امنیتی،سیستمهای دیگری به نام تشخیص نفوذ مورد نیاز میباشد تا بتواند در صورتی که نفوذگر از تجهیزات امنیتی عبور کرد، آن را تشخیص دهد. تشخیص نفوذ، با مشکلاتی از قبیل حجم عظیم ترافیک شبکه، توزیع داده های بسیار نامتعادل، سختی شناسایی مرزهای تصمیم گیری بین رفتار طبیعی و غیرطبیعی، مواجه است.محققان بسیاری از مناظر مختلفی به مسیله ی تشخیص نفوذ پرداخته اند.در اغلب اوقات هدف از تحقیق، افزایش دقت تشخیص بوده است.یکی از روش هایی که برای افزایش دقت به کار برده می شود روش کاهش ویژگی می باشد.انتخاب ویژگی، یکی از مسایلی است که در مبحث یادگیری ماشین مطرح است. این مساله در بسیاری از کاربردها (مانند طبقه بندی) اهمیت به سزایی دارد، زیرا در این کاربردها تعداد زیادی ویژگی وجود دارد، که بار اطلاعاتی چندانی ندارند. حذف نکردن این ویژگی ها باعث افزایش بار محاسباتی برای کاربرد مورد نظر می شود و همچنین باعث می شود که اطلاعات غیر مفید زیادی را به همراه داده های مفید ذخیره کنیم. از طرفی در بعضی موارد داشتن اطلاعات غیر مفید باعث افزایش خطای طبقه بندی می شود.انتخاب ویژگی شامل دو دسته کلی فیلتری و پوششی می باشد که در این مقاله از روش پوششی استفاده شده است. طبقه بند مورد استفاده تلفیقی از دو شبکه ی عصبی شناخته شده می باشد و از الگوریتم رقابت استعماری به عنوان تابع جستجو استفاده شده است.در انتها با استفاده از شاخص های معرفی شده کارایی روش پیشنهادی با سایر روش ها مقایسه گردیده است.
ABSTRACT
In order to secure data in the computer network, in addition to the firewall and other security mechanisms, other systems called intrusion detection are needed to detect if the attacker crossed security equipment. Intrusion detection, with problems such as the huge volume of network traffic, the distribution of very unbalanced data, the difficulty of identifying the boundaries of decision-making between natural and abnormal behavior, has been encountered. Many researchers have dealt with various aspects of intrusion detection. In most cases, the purpose of Research has been enhancing the accuracy of detection. One of the methods used to increase accuracy is the feature reduction feature. Feature selection is one of the issues discussed in the machine learning topic. This is important in many applications (like classifications), because there are many features in these applications, which do not have much information. Excluding these features will increase the computational burden for the application, and also allow us to store a lot of useful non-useful information along with useful data. On the other hand, in some cases having inappropriate information increases the classification error. Feature selection consists of two general categories of filter and cover, in which the cover method is used in this paper. Classification is a combination of two known neural networks and the colonial competition algorithm has been used as a search function. Finally, using the proposed indicators, the proposed method has been compared with other methods.
Year: 2018
Publisher : The 5th National Conference on Computer Science and Information Technology
By : Homayoun Mojtahedi, Majid Fouladian, Mohammad Ali Pourmina
File Information: English Language/ 10 Page / size: 354 KB
Only site members can download free of charge after registering and adding to the cart
سال : 1397
ناشر : پنجمین کنفرانس ملی علوم ومهندسی کامپیوتر و فناوری اطلاعات
کاری از : همایون مجتهدی ,مجید فولادیان, محمدعلی پورمینا
اطلاعات فایل : زبان فارسی / 10 صفحه / حجم : KB 354
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.