دانلود مقاله و خرید ترجمه:رویکرد یادگیری نیمه نظارتی مبتنی بر فازی بودن برای سیستم تشخیص نفوذ - 2017
دانلود بهترین مقالات isi همراه با ترجمه فارسی 2
مقالات ترجمه شده امنیت ( Security )
  • Fuzziness based semi-supervised learning approach for intrusion detection system رویکرد یادگیری نیمه نظارتی مبتنی بر فازی بودن برای سیستم تشخیص نفوذ

    سال انتشار:

    2017


    ترجمه فارسی عنوان مقاله:

    رویکرد یادگیری نیمه نظارتی مبتنی بر فازی بودن برای سیستم تشخیص نفوذ


    عنوان انگلیسی مقاله:

    Fuzziness based semi-supervised learning approach for intrusion detection system


    منبع:

    Sciencedirect - Elsevier - Information Sciences Volume 378, 1 February 2017, Pages 484-497


    نویسنده:

    Rana Aamir Raza Ashfaq a, Xi-Zhao Wang a,∗, Joshua Zhexue Huang a, Haider Abbas b, Yu-lin He


    چکیده انگلیسی:

    Countering cyber threats, especially attack detection, is a challenging area of research in the field of information assurance. Intruders use polymorphic mechanisms to masquerade the attack payload and evade the detection techniques. Many supervised and unsupervised learning approaches from the field of machine learning and pattern recognition have been used to increase the efficacy of intrusion detection systems (IDSs). Supervised learning approaches use only labeled samples to train a classifier, but obtaining sufficient labeled samples is cumbersome, and requires the efforts of domain experts. However, unlabeled samples can easily be obtained in many real world problems. Compared to supervised learning approaches, semi-supervised learning (SSL) addresses this issue by considering large amount of unlabeled samples together with the labeled samples to build a better classifier. This paper proposes a novel fuzziness based semi-supervised learning approach by utilizing unlabeled samples assisted with supervised learning algorithm to improve the classifier’s performance for the IDSs. A single hidden layer feed-forward neural network (SLFN) is trained to output a fuzzy membership vector, and the sample categorization (low, mid, and high fuzziness categories) on unlabeled samples is performed using the fuzzy quantity. The classifier is retrained after incorporating each category separately into the original training set. The experimental results using this technique of intrusion detection on the NSL-KDD dataset show that unlabeled samples belonging to low and high fuzziness groups make major contributions to improve the classifier’s performance compared to existing classifiers e.g., naive bayes, support vector machine, random forests, etc.
    Keywords: Fuzziness | Divide-and-conquer strategy | Semi-supervised learning | Intrusion detection | Random weight neural network


    چکیده فارسی:

    مقابله با تهدیدات سایبری، بویژه تشخیص حمله، حوزه ی چالش برانگیزی از پژوهش در بستر تضمین اطلاعات است. افراد نفوذگر از سازوکارهای چندریختی برای پنهان کردن محموله ی حمله و فرار از تکنیک های تشخیصی استفاده می کنند. بسیاری از روش های یادگیری نظارتی و بدون نظارت در حوزه ی یادگیری ماشین و تشخیص الگو به منظور افزایش کارایی سیستم های تشخیص نفوذ (IDS ها) مورد استفاده قرار گرفته اند. روش های یادگیری نظارتی صرفاً از نمونه های برچسب دار برای آموزش یک دسته بندی کننده استفاده می کنند، اما دستیابی به نمونه های برچسب دار کافی، دست و پا گیر است، و به تلاش های کارشناسان این حوزه نیاز دارد. در هر صورت، نمونه های فاقد برچسب را می توان به سادگی در بسیاری از مسائل دنیای واقعی به دست آورد. روش های یادگیری نیمه نظارتی (SSL) در مقایسه با یادگیری نظارتی با در نظر گرفتن مقادیر عظیم نمونه های فاقد برچسب همراه با نمونه های برچسب دار برای ایجاد دسته بندی کننده ی بهتر، به این مشکل می-پردازند. این مقاله یک رویکرد نوین یادگیری نیمه نظارتی مبتنی بر فازی بودن با استفاده از نمونه های فاقد برچسب با کمک الگوریتم یادگیری نظارتی جهت ارتقای عملکرد طبقه بندی کننده برای IDS ها را پیشنهاد می دهد. یک شبکه ی عصبی پیشخوراند دارای یک لایه ی پنهان (SLFN) آموزش داده می شود تا یک بردار عضویت فازی را نتیجه دهد، دسته بندی نمونه (دسته بندی های فازی بودن کم، متوسط، و زیاد) در نمونه های فاقد برچسب با استفاده از کیفیت فازی انجام می گیرد. دسته بندی کننده پس از گنجاندن تمامی دسته بندی ها بطور جداگانه در مجموعه ی آموزشی اصلی، مجدداً آموزش داده می شود. نتایج تجربی با استفاده از این تکنیک تشخیص نفوذ در مجموعه داده ی NSL-KDD نشان می دهد که نمونه های فاقد برچسب متعلق به گروه های فازی بودن ضعیف و متوسط سهم اصلی را در بهبود عملکرد طبقه بندی کننده در مقایسه با دسته-بندی کننده های موجود همچون بیز ساده انگارانه، ماشین بردار-پشتیبان، جنگل های تصادفی و غیره دارد. کلیدواژه ها: فازی بودن | راهکار تقسیم و غلبه | یادگیری نیمه نظارتی | تشخیص نفوذ | شبکه ی عصبی با وزن تصادفی


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 14
    تعداد صفحات فایل doc فارسی(با احتساب مراجع): 33

    وضعیت ترجمه عناوین تصاویر و جداول: به صورت کامل ترجمه شده است

    وضعیت ترجمه متون داخل تصاویر و جداول: به صورت کامل ترجمه شده است

    حجم فایل: 1843 کیلوبایت


    قیمت: 36000 تومان    28800 تومان (20 % تخفیف)


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi