فایل ورد کامل تشخیص نفوذ سبک وزن بر اساس درخت تصمیم گیری با استفاده از رویکرد wrapper

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 تشخیص نفوذ سبک وزن بر اساس درخت تصمیم گیری با استفاده از رویکرد wrapper،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۴۲ صفحه

۷ بحث و نتیجه گیری
این مطالعه، IDS سبک وزن را برای طبقه بندی چند کلاسه پیشنهاد می دهد. هدف از این سیستم، بهبود سهولت در فعالیت موجود در سه دیدگاه است. در مرحله اول، الگوی ترافیک ورودی پیش پردازش می شود و موارد اضافی حذف می شوند. بعد، یک الگوریتم انتخاب ویژگی بر مبنای wrapper اقتباس می شود که تأثیر بیشتری بر روی کاهش پیچیدگی محاسباتی طبقه بندی دارد. در نهایت، مدل Neurotree به عنوان موتور طبقه بندی شده استفاده می شود که میزان تشخیص آن ۹۸۴ است که برتر از NN / و C4.5 است هدف ۴ خلاصه ویژگی های روش پیشنهادی ما با معیارهای عملکردی مختلف مانند میزان TP، میزان FP، دقت، فراخوانی و اندازه F است. می توان مشاهده کرد که سیستم پیشنهادی حتی زمانی که مجموعه داده ها با تعداد مختلف کلاس ها ارائه می شود بهتر است. این ادعای ما را توجیه می کند که ویژگی های پیشنهادی و الگوریتم یادگیری neurotree استراتژی امیدوار کننده برای تشخیص نفوذ است. یافته های اصلی می تواند به شرح زیر خلاصه شود:
(۱) عملکرد IDS لزوما متناسب با داده های آموزش، روش یادگیری ماشینی و ویژگی های انتخاب شده برای تشخیص نفوذ است.

عنوان انگلیسی:Decision tree based light weight intrusion detection using a wrapper approach~~en~~

۷ Discussion and conclusion

This work proposes lightweight IDS for multi-class categorization. The system is aimed at making improvements on existing work in three perspectives. Firstly, the input traffic pattern is preprocessed and redundant instances are removed. Next, a wrapper based feature selection algorithm is adapted which has a greater impact on minimizing the computational complexity of the classi- fier. Finally, a neurotree model is employed as the classification engine which imparted a detection rate of 98.4% which is superior to NN and extended C4.5. Objective 4 summarizes the characteristics of our proposed method with various performance metrics like TP rate, FP rate, Precision, Recall and F-measure. It could be observed that the proposed system is better even when the dataset is presented with different number of classes. This justifies our claim that the proposed features and learning paradigm neurotree is a promising strategy to be applied on intrusion detection. The main findings can be summarized as follows: (1) The performance of the IDS is necessarily proportional to the training data, machine learning technique and the features selected to detect intrusion.

$$en!!