انتخاب ویژگیها برای تشخیص نفوذ با استفاده از NSL-KDD
چکیده
این روزها، به خاطر افزایش میزان استفاده از وسایل هوشمند و اینترنت، ترافیک شبکه رو به افزایش است. تعدادی از مطالعات انجام شده در مورد تشخیص نفوذ بر انتخاب یا کاهش ویژگیها تمرکز کرده اند، زیرا برخی از ویژگیها بی ربط و حشو هستند که فرایند تشخیص را طولانی نموده و عملکرد یک سیستم تشخیص نفوذ (IDS) را پائین می آورند. هدف این مطالعه، شناسایی ویژگیهای ورودی منتخب مهم برای ساخت IDS با قابلیت محاسباتی کارآمد و موثر است. برای این منظور، عملکرد روشهای انتخاب ویژگی استاندارد یعنی CFS (انتخاب ویژگی مبتنی بر همبستگی)، IG (بهره اطلاعاتی)، و GR (نسبت بهره) را ارزیابی می نماییم. در این مقاله، روش جدیدی برای انتخاب ویژگی با استفاده از میانگین کل و هر یک از کلاس ها پیشنهادکرده و برای ارزیابی روش کاهش ویژگی، از یکی از الگوریتم های طبقه بندی کارآمد درخت تصمیم استفاده می نماییم. سپس روش پیشنهادی و روشهای دیگر را باهم مقایسه می کنیم.
1. مقدمه
در سالهای اخیر، به خاطر رشد کاربرد وسایل هوشمند و اینترنت، ترافیک شبکه به سرعت رو به افزایش است. گزارش Cisco به نتیجه زیر دست یافت: " ترافیک IP جهانی در سال 2012، هر ماه 6. 43 اگزابایت است، که این رقم تا سال 2017، سه برابر شده، و به 6. 120 اگزابایت خواهد رسید" [1].
نفوذ، به تلاش یا عمل به مخاطره انداختن محرمانگی، یکپارچگی، یا دسترس پذیری کامپیوتر یا شبکه گفته می شود [2]. سیستم های تشخیص نفوذ (IDS)، به سیستم های سخت افزاری یا نرم افزاری گفته می شوند، که فرایند نظارت بر رویدادهای رخ داده در سیستم یا شبکه کامپیوتری، را خودکار نموده و برای پیدا کردن نشانه هایی از مشکلات امنیتی، آنها را مورد آنالیز قرار می دهند [3].
Abstract
These days, network traffic is increasing due to the increasing use of smart devices and the Internet. Amount of the intrusion detection studies focused on feature selection or reduction because some of the features are irrelevant and redundant which results lengthy detection process and degrades the performance of an intrusion detection system (IDS). The purpose of this study is to identify important selected input features in building IDS that is computationally efficient and effective. For this we evaluate the performance of standard feature selection methods; CFS(Correlation-based Feature Selection), IG(Information Gain) and GR(Gain Ratio). In this paper, we propose a new feature selection method using feature average of total and each classes. We apply one of the efficient classifier decision tree algorithm for evaluating feature reduction method. We compare between proposed method and other methods.
1 Introduction
In recent year, due to the growing use of smart devices and the Internet, network traffic is rapidly increasing. A Cisco report found the following : “Global IP traffic in 2012 stands at 43.6 exabytes per month and will grow threefold by 2017, to reach 120.6 exabytes per month” [1].
Intrusions are defined as attempts or action to compromise the confidentiality, integrity or availability of computer or network [2]. Intrusion detection systems (IDSs) are software or hardware systems that automate the process of monitoring the events occurring in a computer system or network, analyzing them for signs of security problems [3].
چکیده
1. مقدمه
2. کارهای مرتبط
1. 2 انتخاب ویژگی
2. 2 مجموعه داده NSL-KDD
3. مطالعه آزمایشی
1. 3 آمارهای توصیفی NSL-KDD
2. 3 روش پیشنهادی
4. نتایج
5. نتیجه گیری و کارآتی
منابع
Abstract
1 Introduction
2 Related work
2.1 Feature Selection
2.2 NSL-KDD Data Set
3 Experimental Study
3.1 Descriptive Statistics of NSL-KDD
3.2 Proposed Method
3.3 Experimental Setup
4 Results
5 Conclusion and Future Work
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه