شبیه سازی آموزشی مقاله سیستم تشخیص نفوذ مبتنی بر ترکیب مرکز خوشه و نزدیکترین همسایه با متلب

توضیحات

شبیه سازی مقاله سیستم تشخیص نفوذ مبتنی بر ترکیب مرکز خوشه و نزدیکترین همسایه با متلب

چکیده مقاله:

هدف از سیستم شناسایی نفوذ (IDS) تشخیص انواع مختلف ترافیک شبکه مخرب و استفاده از کامپیوتر است که توسط یک فایروال معمولی قابل شناسایی نیست. بسیاری از IDS ها بر اساس تکنیک های یادگیری ماشین توسعه یافته اند. به طور خاص، روش های تشخیص پیشرفته ایجاد شده توسط ترکیب یا یکپارچه سازی تکنیک های یادگیری متعدد نشان داد که عملکرد تشخیص بهتر از تکنیک های یادگیری تک تک. روش نمایندگی ویژگی، یک طبقه بندی مهم الگوی است که طبقه بندی های صحیح را تسهیل می کند، اما مطالعات مرتبط با آن بسیار زیاد است و تمرکز بر نحوه استخراج ویژگی های نمایشی بیشتر برای اتصالات معمول و شناسایی موثر حملات است. این مقاله یک رویکرد بازنویسی ویژگی جدید، یعنی مرکز خوشه ای و نزدیکترین همسایه (CANN) را پیشنهاد می دهد. در این رویکرد، دو فاصله اندازه گیری و جمع بندی می شوند، اولین بر اساس فاصله بین هر نمونه داده و مرکز خوشه ای آن و فاصله دوم بین داده ها و نزدیکترین همسایه آن در یک خوشه است. سپس، این ویژگی جدید و یک بعدی از راه دور برای نشان دادن هر نمونه داده برای تشخیص نفوذ توسط یک طبقه بندی k-نزدیکترین همسایگی (k-NN) استفاده می شود. نتایج تجربی بر پایه مجموعه داده KDD-Cup 99 نشان می دهد که طبقه بندی CANN نه تنها بهتر از k-NN و یا مشابه با k-NN عمل می کند و ماشین های بردار را پشتیبانی می کند که با بازبینی ویژگی های اصلی بر اساس دقت طبقه بندی، میزان تشخیص و نادرست آلارم ها من همچنین راندمان محاسباتی بالا را برای زمان آموزش و تست طبقه بندی کننده (یعنی تشخیص) فراهم می کند.

شبیه سازی مقاله سیستم تشخیص نفوذ مبتنی بر ترکیب مرکز خوشه و نزدیکترین همسایه با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.

• فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.