بررسی روش یادگیری جمعی AdaBoost در داده های نامتوازن جهت شناسایی حملات شبکه
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,387
فایل این مقاله در 9 صفحه با فرمت PDF و WORD قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CITCOMP01_176
تاریخ نمایه سازی: 16 شهریور 1395
چکیده مقاله:
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.
کلیدواژه ها:
نویسندگان
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 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 :