فایل ورد کامل شبکه های عصبی آموزشی رقابتی بهبود یافته برای تشخیص نفوذ در شبکه و شناسایی کلاهبرداری

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 شبکه های عصبی آموزشی رقابتی بهبود یافته برای تشخیص نفوذ در شبکه و شناسایی کلاهبرداری،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۴۵ صفحه

در این پژوهش، دو الگوریتم خوشه بندی جدید را معرفی می کنیم. شبکه اموزشی رقابتی پیشرفته (ICLN) و شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN) که در زمینه تشخیص کلاهبرداری و تشخیص نفوذ شبکه در می باشند. شبکه اموزشی رقابتی پیشرفته (ICLN) به عنوان الگوریتم خوشه بندی غیرنظارتی می باشد، که قوانین جدیدی را برای شبکه های عصبی آموزشی رقابتی استاندارد (SCLN) اعمال می کند. نورون های شبکه در شبکه آموزشی رقابتی پیشرفته (ICLN) برای ارائه مرکز داده توسط قوانین بروز شده تنبیه و پاداش جدید آموزش دیده اند. این قوانین بروز شده، بی ثباتی شبکه های عصبی آموزشی رقابتی استانداردSCLN) ) را از بین می برند. شبکه آموزشی رقابتی یشرفته نظارتی (SICLN) به عنوان نسخه بازبینی شده شبکه اموزشی رقابتی پیشرفته (ICLN) می باشد . در SICLN (شبکه آموزشی رقابتی یشرفته نظارتی (SICLN) ، قوانین بروزرسانی شده نظارتی از دسته بندی داده برای هدایت مراحل آموزش برای دسترسی به نتایج خوشه بندی بهتر استفاده می کند. شبکه آموزشی رقابتی پیشرفته نظارت شده می تواند برای داده های دسته بندی شده و دسته بندی نشده اعمال شده و در سطح بالایی در برابر اتیکت های مفقودی و تاخیری مقاوم می باشد. علاوه بر این، شبکه آموزشی رقابتی یشرفته نظارتی (SICLN) دارای قابلیت بازسازی بوده، بنابراین کاملا مستقل از تعداد اولیه خوشه ها می باشد.
برای ارزیابی الگوریتم های مورد نظر، به مقایسه عملی در مورد داده های تحقیق و داده های حقیقی در تشخیص کلاهبرداری و تشخیص نفوذ شبکه پرداختیم. نتایج اثبات می کند که هر دو مورد ICLN و SICLN به بایگانی عملکرد بالا می پردازند، و SICLN در الگوریتم های خوشه بندی غیرنظارتی سنتی عملکرد بهتری دارد.

کلمات کلیدی: آموزش رقابتی | شناسایی کلاهبرداری | شناسایی نفوذ | خوشه بندی نظارتی/ غیر نظارتی | شبکه عصبی

عنوان انگلیسی:

Improved competitive learning neural networks for network intrusion and fraud detection

~~en~~ writers :

John Zhong Lei , Ali A. Ghorbani

In this research, we propose two new clustering algorithms, the improved competitive learning network
(ICLN) and the supervised improved competitive learning network (SICLN), for fraud detection and network
intrusion detection. The ICLN is an unsupervised clustering algorithm, which applies new rules to the standard
competitive learning neural network (SCLN). The network neurons in the ICLN are trained to represent the
center of the data by a new reward-punishment update rule. This new update rule overcomes the instability
of the SCLN. The SICLN is a supervised version of the ICLN. In the SICLN, the new supervised update rule uses
the data labels to guide the training process to achieve a better clustering result. The SICLN can be applied to
both labeled and unlabeled data and is highly tolerant to missing or delay labels. Furthermore, the SICLN is
capable to reconstruct itself, thus is completely independent from the initial number of clusters.
To assess the proposed algorithms, we have performed experimental comparisons on both research data
and real-world data in fraud detection and network intrusion detection. The results demonstrate that both the
ICLN and the SICLN achieve high performance, and the SICLN outperforms traditional unsupervised clustering
algorithms.

Keywords: Competitive learning | Fraud detection | Intrusion detection | Supervised/unsupervised clustering | Neural network

$$en!!