ارائه یک روش جدید انتخاب ویژگی مبتنی بر الگوریتم بهینه سازی فاخته و ماشین بردار پشتیبان در سیستم های تشخیص نفوذ

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,085

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICCONF01_159

تاریخ نمایه سازی: 14 آذر 1394

چکیده مقاله:

امنیت شبکه یک نگرانی جدی جهانی است. سودمندی سیستم های تشخیص نفوذ در تحقیقات روی امنیت اطلاعات با استفاده ازتکنیکهای محاسبات نرم به سرعت در حال افزایش است , اما این سیستم ها با داده های حجیم برای تحلیل مواجه هستند. بررسیمجموعه داده سیستمهای تشخیص نفوذ نشان میدهد که بسیاری از ویژگیها، ویژگیهای غیرمفید، بی تاثیر در سناریوهای حمله و یا ویژگیهای نامربوط هستند . بنابراین حذف ویژگیهای نامناسب از مجموعه ویژگی، به عنوان یک راهکار مناسب برای کاهش مجموعهداده سیستمهای تشخیص نفوذ معرفی میشود . مساله انتخاب زیرمجموعه ویژگیها، به مفهوم شناسایی و انتخاب یک زیرمجموعه مفید از ویژگیها از میان مجموعه داده اولیه میباشد. هدف این مقاله، بهبود دقت دسته بندی، افزایش نرخ تشخیص درست و کاهش نرخ هشدار غلط در سیستم های تشخیص نفود، با استفاده از رویکرد ترکیبی الگوریتم بهینه سازی فاخته برای کاهش ابعاد ویژگیهای مجموعه های داده ای و ماشین بردار پشتیبان میباشد. مدل ترکیبی ارائه شده، با استفاده از زیر مجموعه ای از مجموعه داده های NSL-KDD CUP99 آزمایش شده است. نتایج پیاده سازی هم نشان می دهد که دقت دسته بندی زیرمجموعه های بدست آمده، نتایج مطلوبی را در مقایسه با مجموعه داده اصلی و کارهای گذشته ایجاد کرده است .

نویسندگان

عاطفه شریفی جو

دانشجوی کارشناسی ارشد, دانشگاه آزاد اسلامی واحد اراک, گروه مهندسی کامپیوتر, اراک, ایران

عباس کریمی

دانشگاه آزاد اسلامی واحد اراک, گروه مهندسی کامپیوتر, اراک, ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • Rajabion, R., Cuckoo Optimization Algorithm. Elsvier, 2011: p. 5508-5518. ...
  • R, R.R., K. B, and R. Y, A Survey on ...
  • Mulay, S.A., P.R. Devale, and G.V. Garje, Intrusion Detection System ...
  • L.Dhanabal and S.P. Shantharajah, A Study on NSL-KDD Dataset for ...
  • Hasani, S.R., Z.A. Othman, and S.M.M. Kahaki, HYBRID Featture Selection ...
  • Saha, S., A.S. Sairam, and A. Ekbal, Genetic Algorithm Combined ...
  • Xingzhu, W., Aco and SVM Selection Featture Weighting of Network ...
  • Intrusion Detection System in Computer Network Using Hybrid Algorithms (SVM and ABC) [مقاله ژورنالی]
  • Choi, S.-H. and H.-S. Chae, Featture Selection using Attribute Ratio ...
  • B, K., B. S, and T.I. .S, A hybrid anomaly ...
  • Kim, G., S. Lee, and S. Kim, A novel hybrid ...
  • Kuang, F., W. Xu, and S. Zhang, A novel hybrid ...
  • نمایش کامل مراجع