فایل ورد کامل سیستم تشخیص نفوذ با استفاده از خوشه‌بندی K میانگین، C4:5، FNN، دسته‌بند SVM

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 سیستم تشخیص نفوذ با استفاده از خوشه‌بندی K میانگین، C4:5، FNN، دسته‌بند SVM،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۱ صفحه

امنیت اطلاعات یکی از پایه‌های جامعه اطلاعاتی محسوب می‌شود. با افزایش حملات شبکه‌ای در چند سال گذشته، سیستم تشخیص نفوذ (IDS) نیز با سرعت فزآینده‌ای در حال تبدیل شدن به یک مؤلفه تعیین‌کننده در حفاظت شبکه قرار دارد . در سال‌های اخیر، بسیاری از محققان از تکنیک‌های داده‌کاوی برای ساخت سیستم‌های تشخیص نفوذ بهره‌ می‌گیرند. تشخیص نابهنجاری‌های مشکوک در الگو‌های ترافیک شبکه ناشی از حملات عدم پذیرش سرویس‌دهی توزیعی (DDoS) یا حرکت حلزونی، یکی از چالش‌های اصلی در مدیریت امنیت شبکه‌های گسترده پرسرعت می‌باشد. روش‌های تشخیص نفوذ در چند سال اخیر شروع به ظهور کرده است. در این مقاله، یکی از روش‌های تشخیص نفوذ را با استفاده از خوشه‌بندی K میانگین، مدل‌های نورو- فازی، ماشین بردار پشتیبانی (SVM) و الگوریتم C4.5 معرفی می‌کنیم. علاوه بر این، نوعی ساختار چهار سطحی برای تشخیص نفوذ ارائه می‌دهیم که اولین پروسه آن به ساخت زیرمجموعه‌های آموزشی متفاوت به کمک خوشه‌بندی K میانگین مربوط می‌شود. دومین پروسه بر پایه زیرمجموعه‌های آموزشی قرار گرفته است که در آن مدل‌های نورو – فازی مختلفی آموزش داده می‌شود. سومین پروسه، برداری جهت دسته‌بندی ماشین بردار پشتیبانی است که در آن دسته‌بندی شعاعی ماشین بردار پشتیبانی انجام می‌شود. در پایان، درخت تصمیم را با بکارگیری از الگوریتم درخت تصمیم C4.5 درست می‌کنیم.

واژه‌های کلیدی: شبکه عصبی فازی | سیستم تشخیص نفوذ | سیستم تشخیص نفوذ شبکه | SVM و غیره.

عنوان انگلیسی:

Intrusion Detection System by using K-Means clustering, C 4:5, FNN, SVM classifier

~~en~~ writers :

Miss Meghana Solanki, Mrs. Vidya Dhamdhere

Security of Information is one of the cornerstones of
Information Society. As number of Network attacks have
increased over the past few years, intrusion detection system
(IDS) is increasingly becoming a critical component to protect
the network. .In recent years, many researchers are using data
mining techniques for building IDS. One of the main
challenges in the security management of large-scale highspeed networks is the detection of suspicious anomalies in
network traffic patterns due to Distributed Denial of Service
(DDoS) attacks or worm propagation. Intrusion detection
methods started appearing in the last few years. Here, We
present a Intrusion detection method using K-means
clustering, neuro-fuzzy models, Support vector machine
(SVM) and C4.5 algorithm. We propose a four level
framework for Intrusion detection in which first procedure
concerns to generate different training subsets by using kmeans clustering, second procedure based on the training
subsets different neuro-fuzzy models are trained, third
procedure a vector for SVM classification and radial SVM
classification is perform. Finally we build the decision tree
using C4.5 decision tree algorithm.

Keywords:Fuzzy Neural Network | Intrusion Detection System | Network Intrusion Detection System | SVM etc

$$en!!