رویکردی مبتنی بر بهینه سازی هزینه برای طراحی سیستم های تشخیص نفوذ در شبکه های کامپیوتری با استفاده از وزن دهی به ویژگی ها

سال انتشار: 1388
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,381

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CSICC15_087

تاریخ نمایه سازی: 26 مهر 1388

چکیده مقاله:

سیستم های تشخیص نفوذ به منظور بهبود امنیت در سیستم های کامپیوتری و شبکه ها ایجاد شده اند. دراین سیستم ها هزینه دسته بندی اشتباه در بین کلاسهای مختلف متفاوت است دراین مقاله سعی شده است بااستفاده از تکنیکهای یادگیری ماشین، تفاوت میان اهمیت دسته بندی درست کاربر معمولی و مشکوک به نفوذ آموزش داده شود. مدل ارائه شده با وزن دهی به ویژگی ها،بر اساس نمونه های آموزشی به منظور کاهش هزینه در سیستمهای تشخیص نفوذ طراحی شده است این مدل برپایه روش نزدیکترین همسایه است که در آن تاثیر ویژگی ها نسبت به هم باید در معیار نزدیکی لحاظ شود. بنابراین تکنیکی به منظور تطبیق پذیری این معیار با در نظرگرفتن اهمیت ویژگی های به کار گرفته شده است از این رو ویژگی های کم اهمیت یا بدون ارتباط در دسته بندی، قابل تشخیص می باشند در نهایت یک پیاده سازی از الگوریتم طراحی شده برروی داده های KDD99 انجام شده و نتایج بدست آمده ارائه گردیده است.

کلیدواژه ها:

سیستم های تشخیص نفوذ ، وزن دهی به ویژگی ها ، الگوریتم نزدیکترین همسایه ، کاهش هزینه ، انتخاب ویژگی ، شبکه های کامپیوتری

نویسندگان

سمانه قدرت نما

دانشگاه شیراز

سیدمحمدرضا موسوی

دانشگاه شیراز

محمد طاهری

دانشگاه شیراز

منصور ذوالقدری جهرمی

دانشگاه شیراز

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 :
  • Probe R2L % دقت 243 1328 20 ...
  • چه 0 5 10 15 20 25 30 35 4 ...
  • R. Bace, " An Introduction to Intrusion Detection and Assessment: ...
  • C. X. Ling and V. S. Sheng, "cost sensitive Learning ...
  • P. D. Turney, "Types of cost in inductive concept learning, ...
  • J. Georges, A. H. Milley, _ Competition: Knowledge Discovery Contest, ...
  • HG Kayacik, AN Zincir- Heywood, MI Heywood, "Selecting Features for ...
  • Datasets, " Proceedings of the Third Annual Conference _ Privacy, ...
  • V. V enkatachalam, S. Selvan, "Performance Comparison Of Intrusion Detection ...
  • D. Wettschereck and D. W. Aha, "Weighting features " in ...
  • D. Wettschereck, D. W. Aha, and T. Mohri, "A review ...
  • C. Elkan, "The Foundations of cost sensetive Learning, " in ...
  • Zolghadri Jahromi and T. M., "A proposed method for learning ...
  • M. Zolghadri Jahromi, E. Parvinnia, and R. John, "A Method ...
  • P. Lichodzij ewski, A N. Zincir-Heywo od , and M. ...
  • http : /kdd _ ic S _ uci , ed ...
  • C. Elkan, "Results of the KDD99 Knowledge Discovery Contest, " ...
  • S. Rosset, A. Inger :KDD-Cup 99 : Knowledge Discovery In ...
  • 14 15 16 17 18 19 20 21 ...
  • 1666 29.77 2.54 1.198 4.97 ...
  • 9312 0.8084 ...
  • 025 1.628 0.9604 0.9978 1.0008 0.9030 0.7189 ...
  • نمایش کامل مراجع