دانلود و نمایش مقالات مرتبط با NSL-KDD dataset::صفحه 1
دانلود بهترین مقالات isi همراه با ترجمه فارسی 2

با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد). 

نتیجه جستجو - NSL-KDD dataset

تعداد مقالات یافته شده: 5
ردیف عنوان نوع
1 Application of deep reinforcement learning to intrusion detection for supervised problems
کاربرد یادگیری تقویتی عمیق برای تشخیص نفوذ برای مسائل تحت نظارت-2020
The application of new techniques to increase the performance of intrusion detection systems is crucial in modern data networks with a growing threat of cyber-attacks. These attacks impose a greater risk on network services that are increasingly important from a social end economical point of view. In this work we present a novel application of several deep reinforcement learning (DRL) algorithms to intru- sion detection using a labeled dataset. We present how to perform supervised learning based on a DRL framework. The implementation of a reward function aligned with the detection of intrusions is extremely diffi- cult for Intrusion Detection Systems (IDS) since there is no automatic way to identify intrusions. Usually the identification is performed manually and stored in datasets of network features associated with in- trusion events. These datasets are used to train supervised machine learning algorithms for classifying intrusion events. In this paper we apply DRL using two of these datasets: NSL-KDD and AWID datasets. As a novel approach, we have made a conceptual modification of the classic DRL paradigm (based on interaction with a live environment), replacing the environment with a sampling function of recorded training intrusions. This new pseudo-environment, in addition to sampling the training dataset, generates rewards based on detection errors found during training. We present the results of applying our technique to four of the most relevant DRL models: Deep Q- Network (DQN), Double Deep Q-Network (DDQN), Policy Gradient (PG) and Actor-Critic (AC). The best results are obtained for the DDQN algorithm. We show that DRL, with our model and some parameter adjustments, can improve the results of intrusion detection in comparison with current machine learning techniques. Besides, the classifier ob- tained with DRL is faster than alternative models. A comprehensive comparison of the results obtained with other machine learning models is provided for the AWID and NSL-KDD datasets, together with the lessons learned from the application of several design alternatives to the four DRL models.
Keywords: Intrusion detection | Data networks | Deep reinforcement learning
مقاله انگلیسی
2 Artificial Intelligence based Ensemble Approach for Intrusion Detection Systems
رویکرد گروه مبتنی بر هوش مصنوعی برای سیستم های تشخیص نفوذ-2019
Internet attacks pose a severe threat to most of the online resources and are a prime concern of security administrators these days. In spite of many efforts, the security techniques are unable to detect the intrusions accurately. Most of the methods suffer from the limitations of a high false positive rate, low detection rate and provide one solution which lacks the classification trade-offs. In this work, an effective twostage method is proposed to produce a pool of non-dominating solutions or Pareto optimal solutions as base models and their ensembles for detecting the intrusions accurately. It generates Pareto optimal solutions to a chromosome structure in stage 1 formulating Pareto front. Whereas, another approximation to the Pareto front of optimal solutions is made to obtain non-dominating ensembles in the second stage. The final prediction ensemble solutions are computed from individual predictions using majority voting approach. Applicability of the suggested method is validated using benchmark dataset NSL-KDD dataset. The experimental results show that the recommended method provides better results than conventional ensemble techniques. The recommended method is also adequate to generate Pareto optimal solutions that address the issue of improving detection accuracy for minority as well as majority attack classes along with handling classification tradeoff problem. The proposed method resulted detection accuracy of 97% with FPR of 2% for KDD dataset respectively. The most attractive feature of the proposed method is that both generation of base classifier and their ensemble thereof are multi-objective in nature addressing the issue of low detection accuracy and classification tradeoffs.
Keywords : Artificial Intelligence | Ensembles | Pattern Recognition | Internet Attacks | Neural Networks
مقاله انگلیسی
3 رویکرد یادگیری نیمه نظارتی مبتنی بر فازی بودن برای سیستم تشخیص نفوذ
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 14 - تعداد صفحات فایل doc فارسی: 33
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
مقاله ترجمه شده
4 Modification of supervised OPF-based intrusion detection systems using unsupervised learning and social network concept
اصلاح سیستم های تشخیص نفوذ مبتنی بر OPF تحت نظارت با استفاده از مفهوم یادگیری بدون نظارت و شبکه های اجتماعی-2017
Optimum-path forest (OPF) is a graph-based machine learning method that can overcome some lim itations of the traditional machine learning algorithms that have been used in intrusion detection sys tems. This paper presents a novel approach for intrusion detection using a modified OPF (MOPF) algo rithm for improving the performance of traditional OPF in terms of detection rate (DR), false alarm rate (FAR), and time of execution. To address the problem of scalability in large datasets and also for achieving high attack recognition rates, the proposed framework employs the k-means clustering algorithm, as a partitioning module, for generating different homogeneous training subsets from original heterogeneous training samples. In the proposed MOPF algorithm, the distance between unlabeled samples and the root (prototype) of every sample in OPF is also considered in classifying unlabeled samples with the aim of improving the accuracy rate of traditional OPF algorithm. Moreover, the centrality and the prestige concepts in the social network analysis are employed in a pruning module for determining the most informative samples in training subsets to speed up the traditional OPF algorithm. The experimental results on NSL-KDD dataset show that the proposed method performs better than traditional OPF in terms of accuracy rate, DR, FAR, and cost per example (CPE) evaluation metrics.
Keywords: Optimum-path forest | Classification | Clustering | Pruning | Centrality | Prestige | Social network analysis
مقاله انگلیسی
5 مطالعه پایگاه داده NSL-KDD از لحاظ سامانه تشخیص نفوذ بر اساس الگوریتم های طبقه بندی
سال انتشار: 2015 - تعداد صفحات فایل pdf انگلیسی: 7 - تعداد صفحات فایل doc فارسی: 16
سامانه های هوشمند تشخیص نفوذ تنها در صورتی می توانند ساخته شوند که یک پایگاه داده موثر وجود داشته باشد. یک پایگاه داده با مقدار داده های کیفی قابل اندازه گیری که از زمان واقعی تقلید می کند، تنها می تواند به آموزش و آزمایش یک سامانه تشخیص نفوذ کمک کند. پایگاه داده NSL-KDD ، نسخه اصلاح شده پایگاه داده قبلی KDD99 است. در این مقاله، پایگاه داده NSL-KDD تحلیل می شود و برای مطالعه اثربخشی الگوریتم های طبقه بندی مختلف در شناسایی ناهنجاری های مربوط به الگوهای ترافیک شبکه مورد استفاده قرار می گیرد. ما رابطه پروتکل هایی را نیز تحلیل کرده ایم که در پشته پروتکل شبکه ای پرکاربرد با حملات نفوذگران برای ایجاد ترافیک شبکه ای غیرعادی استفاده شده اند. این تحلیل با استفاده از الگوریتم های طبقه بندی موجود در ابزار داده کاوی WEKA انجام شده است. این مطالعه، حقایق زیادی در مورد پیوند بین پروتکل ها و حملات شبکه ای را آشکار می سازد.
کلیدواژه ها: سامانه تشخیص نفوذ | پایگاه داده NSL-KDD | غیرعادی | پروتکل.
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 5698 :::::::: بازدید دیروز: 0 :::::::: بازدید کل: 5698 :::::::: افراد آنلاین: 77