فایل ورد کامل مطالعه ای درباره مجموعه داده NSL-KDD برای سیستم تشخیص نفوذ بر اساس الگوریتم های رده بندی

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 مطالعه ای درباره مجموعه داده NSL-KDD برای سیستم تشخیص نفوذ بر اساس الگوریتم های رده بندی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۱ صفحه

چکیده

سیستم های تشخیص نفوذ هوشمند فقط در صورت دسترس پذیری یک مجموعه داده موثر، ساخته می شوند. مجموعه داده ای با مقدار زیاد داده های کیفیت که از زمان واقعی تقلید می کند، فقط به آموزش و تست یا آزمایش یک سیستم تشخیص نفوذ کمک می نماید. مجموعه داده NSL-KDD، ورژن اصلاح شده مجموعه داده پیشینش یعنی KDD’99 است. در این مقاله، مجموعه داده NSL-KDD مورد آنالیز (تحلیل) قرار گرفته و برای مطالعه اثربخشی الگوریتم های مختلف طبقه بندی در زمینه تشخیص آنومالیها در الگوهای ترافیک شبکه، استفاده شده است. در اینجا رابطه پروتکل های موجود در پشته پروتکل شبکه کاربردی با حملات استفاده شده توسط مهاجمین برای تولید ترافیک شبکه آنومال را نیز مورد آنالیز قرار داده ایم. آنالیز با استفاده از الگوریتم های طبقه بندی موجود در ابزار داده کاوی WEKA انجام شده است. مطالعه حقایق زیادی در مورد پیوند بین پروتکل ها و حملات شبکه افشاء نموده است.

۶- نتیجه گیری و کار آتی

نتایج آنالیز مجموعه داده NSL-KDD نشان می دهد بهترین مجموعه داده انتخابی برای شبیه سازی و تست عملکرد IDS می باشد. روش CFS برای کاهش ابعاد، زمان تشخیص را کاهش و نرخ صحت را افزایش می دهد. این آنالیز با کمک اعداد و ارقام برروی مجموعه داده NSL-KDD انجام شد و جداول به محقق کمک می کنند تا درک روشنی از مجموعه داده داشته باشد. همچنین نشان می دهد که اکثر حملات با استفاده از اشکالات ذاتی پروتکل TCP راه اندازی شده اند. در آینده، امکان استفاده از تکنیک های بهینه سازی برای توسعه یک مدل تشخیص نفوذ با نرخ صحت بهتر، کشف می گردد.

عنوان انگلیسی:A Study on NSL-KDD Dataset for Intrusion Detection System Based on Classification Algorithms~~en~~

Abstract

Intelligent intrusion detection systems can only be built if there is availability of an effective data set. A data set with a sizable amount of quality data which mimics the real time can only help to train and test an intrusion detection system. The NSL-KDD data set is a refined version of its predecessor KDD99 data set. In this paper the NSL-KDD data set is analysed and used to study the effectiveness of the various classification algorithms in detecting the anomalies in the network traffic patterns. We have also analysed the relationship of the protocols available in the commonly used network protocol stack with the attacks used by intruders to generate anomalous network traffic. The analysis is done using classification algorithms available in the data mining tool WEKA. The study has exposed many facts about the bonding between the protocols and network attacks.

VI- CONCLUSION AND FUTURE WORK

The analysis results on the NSL-KDD dataset show that it is a best candidate data set to simulate and test the performance of IDS. The CFS method for dimensionality reduction reduces the detection time and increase the accuracy rate. This analysis conducted on the NSL-KDD dataset with the help of figures and tables helps the researcher to have clear understanding of the dataset. It also brings to light that most of the attacks are launched using the inherent drawbacks of the TCP protocol. In future, it is proposed to conduct an exploration on the possibility of employing optimizing techniques to develop an intrusion detection model having a better accuracy rate.

$$en!!