فایل ورد کامل سیستم تشخیص نفوذ مبتنی بر بیزی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل سیستم تشخیص نفوذ مبتنی بر بیزی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۷ صفحه

۷ استنتاج
از آنجاییکه هدف این پژوهش اصلاح دقت حمله R2L با استفاده از روشهای بیزی است، در دستیابی به هدف خود با استفاده از روش بیزی بعنوان موتوری برای دسته بندی داده ها موفق شده ایم. به نتایج عالی Chou در تز دکترایش نائل می شویم (Chou, 2007) که در آن وی به DR با ۶۹۸۲% برای R2L دست یافته است. نتایج پژوهش ما نشان می دهد که می توانیم نتایج بهتری برای حمله R2L با DR ، ۸۵۳۵% با استفاده از سه ویژگی: ۲۳، ۲۴ و ۳۱ و مقدار آستانه ۰۶ داشته باشیم. با این وجود، CR که برابر با ۷۶۶۹% است در مقایسه با نتیجه Chou پایین است زیرا از یک مقدار آستانه پایین استفاده کرده ایم که دقت تشخیص رکوردهای نرمال (TN) را کاهش می دهد اما DR را برای حمله R2L افزایش می دهد.
به منظور بهبود دقت یک سیستم IDS نشان می دهیم که باید از چندین فیلتر بیزی به صورت موازی با هر فیلتر بهینه سازی شده برای تشخیص یک نوع رکورد استفاده کنیم؛ این می تواند موضوع خوبی برای تحقیقات بیشتر در این زمینه باشد.

عنوان انگلیسی:Bayesian based intrusion detection system~~en~~

۷ Conclusions

Since the goal of this research was to improve the accuracy of the R2L attack using Bayesian methods, we have succeeded in achieving our target by using the Bayesian method as an engine to classify the data accordingly. We achieve results superior to Chou in his PhD dissertation (Chou, 2007), where he achieved a DR of 69.82% for the R2L. Our research results show that we could have better results for R2L attack with a DR of 85.35% by using the three features: 23, 24 and 31 and a threshold value of 0.6. However, the CR which equals 76.69% is considered low comparing to Chou result because we used a low threshold value which reduces the accuracy of detection of normal records (TN) but increases the DR for R2L attack. To improve the accuracy of an IDS system we propose that we should use several Bayesian filters in parallel with each filter optimized to detect one type of record; this can be a good subject for further research in this field.

$$en!!