فایل ورد کامل استفاده از الگوریتم های داده کاوی برای توسعه مدلی برای سیستم های تشخیص نفوذ (IDS)

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 استفاده از الگوریتم های داده کاوی برای توسعه مدلی برای سیستم های تشخیص نفوذ (IDS)،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۶ صفحه

یک مشکل مشترک در IDS کنونی نرخ بالای مثبت کاذب و نرخ شناسایی پایین است. یک یادگیری ماشینی بدون نظارت با استفاده از K ابزار برای ارائه ی مدلی برای سیستم های تشخیص نفوذ (IDS) با نرخ بهره وری بالاتر و مثبت های کاذب کمتر و منفی های کاذب مورد استفاده قرار گرفت. مجموعه ی داده ی NSL-KD که شامل ۲۵۱۹۲ ورودی با ۲۲ نوع مختلف داده بود مورد استفاده قرار گرفت. نتایج این مطالعه با استفاده از ۱۱، ۲۲، ۴۴، ۶۶ و ۸۸ خوشه به ترتیب نرخ بازده ی ۷۰.۷۵، ۸۱.۶۱، ۶۵.۴۰، ۶۱.۳۰ و ۵۵.۴۳% را نشان داد. نرخ مثبت کاذب به ترتیب ۰.۷۴، ۴.۰۳، ۱۵.۵۵، ۲۱.۴۷ و ۳۱.۹۱ و نرخ منفی کاذب ۹۹.۸۲، ۹۸.۱۴، ۹۷.۷۶، ۹۶.۳۲ و ۹۵.۷۰ بود. جالب است که بهترین نتایج زمانی بدست آمد که تعداد خوشه ها منطبق با تعداد انواع داده در مجموعه ی داده بود. در پرتو یافته ها، توصیه می شود که سایر تکنیک های داده کاوی مورد بررسی قرار بگیرد. یک مطالعه با استفاده از الگوریتم داده کاوی K ابزار و سپس رویکرد مبتنی بر امضا برای کاهش نرخ منفی کاذب پیشنهاد شد. همچنین سیستمی برای شناسایی خودکار تعداد خوشه ها ممکن است توسعه پیدا کند.

کلمات کلیدی: داده کاوی | خوشه بندی | یادگیری ماشین | یادگیری بدون نظارت | K-means

عنوان انگلیسی:

Using Data Mining Algorithms for Developing a Model for Intrusion Detection System (IDS)

~~en~~ writers :

Solane Duque, Dr.Mohd. Nizam bin Omar

A common problem shared by current IDS is the high false positives and low detection rate. An unsupervised machine learning
using k-means was used to propose a model for Intrusion Detection System (IDS) with higher efficiency rate and low false
positives and false negatives. The NSL-KD data set was used which consisted of 25,192 entries with 22 different types of data.
Results of the study using 11, 22, 44, 66 and 88 clusters, showed an efficiency rate of 70.75%, 81.61%, 65.40%, 61.30% and
۵۵.۴۳% respectively; false positive rates of 0.74%, 4.03%, 15.55%, 21.47% and 31.91% respectively; and false negative rates of
۹۹.۸۲%, ۹۸.۱۴%, ۹۷.۷۶%, ۹۶.۳۲% and 95.70%, respectively. Interestingly, the best results were generated when the number of
clusters matches the number of data types in the data set. In the light of the findings, it is recommended that other data
mining techniques be explored; a study using k-means data mining algorithm followed by signature-based approach
is proposed in order to lessen the false negative rate; and a system for automatically identifying the number of
clusters may be developed.

Keywords: data mining | clustering | machine learning | unsupervised learning | k-means

$$en!!