فایل ورد کامل همبستگی هشدار برای استخراج استراتژی حمله

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 همبستگی هشدار برای استخراج استراتژی حمله،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۴۲ صفحه

۲-۴-۳- مقایسه MLP و SVM
ما از هر دوی MLP و SVM برای همبستگی هشدار استفاده می کنیم. MLP از قاعده همبستگی خطا برای بروز رسانی ماتریس های وزنی استفاده می کند. زمانی که همگرا می شود، خروجی آن نزدیک به مقدار خروجی مطلوب تولید می شود. SVM برا اساس اصل حداقل سازی خطر ساختاری است. آن فقط نیاز به برچسب های کلاس دارد که بصورت نمونه آموزشی تعیین شوند. بنابراین خروجی احتمالی آن ممکن است درست نباشد مانند آنکه توسط MLP تولید شده است. گرچه تعیین دقیق خروجی های مطلوب برای MLP کار ساده ای نیست. همچنین MLP از سرعت آموزشی کند و مسئله over-fitting بالقوه رنج می برد. از طرف دیگر، به منظور قادر ساختن SVM برای تولید خروجی های احتمالی دقیق، الگوهای آموزشی مناسب انتخاب شده اند که یک وظیفه سنگین است. بنابراین راه حل قابل اجرای مطلق وجود ندارد. یک راه بهتر در ساختن یک تصمیم بر اساس خروجی های هردوی این روش ها است.

عنوان انگلیسی:Alert Correlation for Extracting Attack Strategies~~en~~

۲۴۳ Comparison of MLP and SVM

We use both MLP and SVM for alert correlation. MLP uses an error-correction rule to update the weight matrixes. Once it converges, the outputs it produces will be close to the desired outputs. The SVM is based on structural risk minimization principal. It needs only class labels to be assigned to the training examples. Therefore, its probabilistic outputs might not be as accurate as the ones produced by MLP. However, it is not easy to precisely assign desired outputs for MLP. Furthermore, MLP also suffers from the slow training speed and the potential over-fitting problem. On the other hand, in order to enable SVM to produce precise probabilistic outputs, appropriate training patterns have to be selected, which is also a difficult task. Therefore, there is no absolute preferable solution. A better way may be to make a decision based on the outputs of both of these two methods.

$$en!!