آنالیز مشخصه های مجموعه داده KDD مبتنی بر کلاس برای تشخیص نفوذ
ترجمه شده

آنالیز مشخصه های مجموعه داده KDD مبتنی بر کلاس برای تشخیص نفوذ

عنوان فارسی مقاله: آنالیز مشخصه های مجموعه داده KDD مبتنی بر کلاس برای تشخیص نفوذ
عنوان انگلیسی مقاله: Analysis of KDD Dataset Attributes - Class wise For Intrusion Detection
مجله/کنفرانس: سومین کنفرانس بین المللی روند اخیر در محاسبات - 3rd International Conference on Recent Trends in Computing
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: امنیت اطلاعات، مهندسی الگوریتم ها و محاسبات
کلمات کلیدی فارسی: تشخیص نفوذ، KDD، کلاس های مشخصه، نرخ آلارم اشتباه، نرخ تشخیص
کلمات کلیدی انگلیسی: Intrusion Detection - KDD - Attribute classes - False Alarm Rate - Detection Rate
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
ناشر: الزویر - Elsevier
نوع مقاله: ISI
سال انتشار مقاله: 2015
شناسه ISSN: 1877-0509
صفحات مقاله انگلیسی: 10
صفحات ترجمه فارسی: 14 (2 صفحه رفرنس انگلیسی)
فرمت مقاله انگلیسی: pdf
فرمت ترجمه فارسی: ورد و pdf
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
ترجمه شده از: انگلسی به فارسی
وضعیت ترجمه: ترجمه شده و آماده دانلود
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا منابع داخل متن درج یا ترجمه شده است: خیر
آیا توضیحات زیر تصاویر و جداول ترجمه شده است: بله
آیا متون داخل تصاویر و جداول ترجمه شده است: خیر
کد محصول: 9703
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در انتهای مقاله درج شده است
ترجمه فارسی فهرست مطالب

چکیده 


1. مقدمه 


1. 1 مجموعه داده KDD 


2. 1 هدف 


3. 1 کارهای مرتبط


2. راه اندازی آزمایش


1. 2 روش تحقیق


2. 2 Weka 


3. 2 طبقه بند استفاده شده 


4. 2 متریک ها


3. نتایج شبیه سازی


4. بحث 


5. نتیجه گیری


ضمیمه A 


منابع

فهرست انگلیسی مطالب

Abstract


1. Introduction


1.1. KDD Data Set


1.2. Objective


1.3. Related Work


2. Experimental Setup


2.1. Research Methodology


2.2. Weka


2.3. Used Classifier


2.4. Metrics


3. Simulation Results


4. Discussions


5. Conclusion


Appendix A.

نمونه ترجمه فارسی مقاله

چکیده 


در تحقیق راجع به تکنیک های تشخیص نفوذ، مجموعه داده KDD به عنوان یک محک و معیار معروف، شناخته شده است. درراستای بهبود استراتژیهای تشخیص نفوذ، کارهای زیادی در حال انجام است، در حالیکه تحقیق پیرامون داده های استفاده شده جهت آموزش و آزمایش مدل تشخیص، به یک اندازه اهمیت دارد، زیرا کیفیت بهتر داده ها، تشخیص نفوذ برون خطی (آفلاین) را بهبود می بخشد. در این مقاله، مجموعه داده KDD با توجه به چهار کلاس پایه، محتوا، ترافیک و میزبان مورد آنالیز قرار می گیرد، که همه مشخصه های داده ها را می توان در آنها طبقه بندی نمود. آنالیز با توجه به دو متریک ارزیابی مهم یعنی نرخ تشخیص (DR) و نرخ آلارم اشتباه (FAR) برای سیستم تشخیص نفوذ (IDS) انجام شده است. در نتیجه این آنالیز تجربی روی مجموعه داده، سهم هر یک از چهار کلاس مشخصه ها در DR و FAR نشان داده شده است، که به بهبود تناسب مجموعه داده جهت نیل به ماکزیمم DR با مینیموم FAR کمک می نماید. 


1. مقدمه 


این روزها با رشد چند بعدی شدن کاربرد شبکه به خاطر افزایش استفاده از وسایل دستی، امنیت شبکه به عنوان مهمترین موضوع شناخته شده است. سیستم های تشخیص نفوذ به تشخیص مقاصد خرابکارانه کاربران شبکه کمک می نمایند بدون اینکه امنیت میزبان و شبکه را به خطر بیندازند. الگوریتم های یادگیری ماشینی زیادی موجود است که از داده های آموزشی یادگرفته و زمانی که در معرض داده های آموزش ندیده جدید قرار می گیرند، به صورت تعمیم پذیر ظاهر می شوند.دو نوع تکنیک تشخیص نفوذ وجود دارد، یکی تشخیص سوء استفاده که می تواند حملات شناخته شده را بدست آورد و به همین خاطر روی داده های آفلاین یا برون خطی کار می کند و دیگری تشخیص آنومالی که قادر به تشخیص هرگونه رفتار غیر عادی است وبه همین خاطر روی داده های آنلاین یا روخطی کار می کند. مجموعه داده KDD، یک مجموعه داده استاندارد است که برای تحقیق پیرامون سیستم های تشخیص نفوذ استفاده می شود. 

نمونه متن انگلیسی مقاله

Abstract


The KDD data set is a well known benchmark in the research of Intrusion Detection techniques. A lot of work is going on for the improvement of intrusion detection strategies while the research on the data used for training and testing the detection model is equally of prime concern because better data quality can improve offline intrusion detection. This paper presents the analysis of KDD data set with respect to four classes which are Basic, Content, Traffic and Host in which all data attributes can be categorized. The analysis is done with respect to two prominent evaluation metrics, Detection Rate (DR) and False Alarm Rate (FAR) for an Intrusion Detection System (IDS). As a result of this empirical analysis on the data set, the contribution of each of four classes of attributes on DR and FAR is shown which can help enhance the suitability of data set to achieve maximum DR with minimum FAR.


1. Introduction


Network security1 is a foremost issue these days as the network usage is growing in multi-dimensions due to increased use of handheld devices. Intrusion Detection Systems can help detect malign intentions of network users without compromising the security of the host and the network. There are many machine learning algorithms available which can learn from the training data and can generalize when exposed to new untrained data. There are two types of intrusion detection technique, the first one is Misuse Detection that can catch the known attacks and hence works on the offline data2 and the other is Anomaly Detection which can detect any abnormal behavior and hence can work well on online data3 . The KDD data set is a standard data set used for the research on intrusion detection systems.

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- 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
قیمت محصول: ۲۴,۳۰۰ تومان
خرید محصول
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

آنالیز مشخصه های مجموعه داده KDD مبتنی بر کلاس برای تشخیص نفوذ
مشاهده خریدهای قبلی
نوشته های مرتبط
مقالات جدید
نماد اعتماد الکترونیکی
پیوندها