فایل ورد کامل تجزیه و تحلیل ویژگی های مجموعه داده KDD بر اساس کلاسی برای تشخیص نفوذ

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 تجزیه و تحلیل ویژگی های مجموعه داده KDD بر اساس کلاسی برای تشخیص نفوذ،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۸ صفحه

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.

۵- نتیجه گیری

این مقاله از چهار طبقه مشخصه های پایه، محتوا، ترافیک و میزبان استفاده نمود که ۴۱ مشخصه از مجموعه داده KDD طبقه بندی و با شکل گیری کلیه ترکیبات چهار کلاس، ۱۵ گونه از مجموعه داده تولید گردید. این ۱۵ مجموعه فایل های داده آموزشی و آزمایشی برروی الگوریتم درخت تصمیم در ابزار Weka شبیه سازی شدند. برای مطالعه سلطه و غلبه هر کلاس از مشخصه ها در بهبود نرخ تشخیص (DR) و به حداقل رساندن نرخ آلارم اشتباه، نتایج حاصله مورد آنالیز و تجزیه و تحلیل قرار گرفت. این مطالعه کمک می کند برازندگی مجموعه داده افزایش یابد، به گونه ای که با مینیموم FAR می توان به DR بالاتری دست یافت. بنابراین، کار آتی می تواند منجر به بهبود مجموعه داده ای گردد که از آن برای تشخیص نفوذ آنلاین استفاده می شود.

عنوان انگلیسی:Analysis of KDD Dataset Attributes – Class wise For Intrusion Detection~~en~~

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.

۵- Conclusion

This paper used four categories of attributes Basic, Content, Traffic and Host in which 41 attributes of KDD data set were categorized and fifteen variants of data set were generated by forming all combinations of four classes. These fifteen sets of training and test data files were simulated on Random Tree algorithm in Weka tool. The results were analyzed to study dominance of each class of attributes in improving the Detection Rate (DR) and minimizing the False Alarm Rate (FAR). This study can help increase the suitability of the data set so that higher DR can be achieved with minimum FAR. Hence, future work can lead to an improved data set that can be utilized for online intrusion detection.

$$en!!