پیشنهاد یک روش انتخاب ویژگی مبتنی بر رویکرد فیلتر برای سیستم تشخیص نفوذ

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,474

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

INDMATH01_033

تاریخ نمایه سازی: 10 شهریور 1393

چکیده مقاله:

تشخیص نفوذ یک زمینه تحقیقاتی مهم در حوزه امنیت شبکه های کامپیوتری است. هدف از یک سیستم تشخیص نفوذ، طبقه بندی کاربران مجاز از نفوذ کننده ها و حمله کننده ها، با دقت بالا است، که همانند یک سیستم بازشناسی الگو عمل می کند و با دریافت یک سری ویژگی، نفوذ را شناسایی می کند. از اینرو کاهش ابعاد ویژگی های مورد نظر برای تشخیص نفوذ می تواند کارآیی این سیستم ها را از هر دو نظر دقت و سرعت افزایش دهد. در این مقاله یک روش انتخاب ویژگی- دو مرحله ای مبتنی بر مدل فیلتر(TSFS) به منظور کاهش ابعاد پیشنهاد شده است. چگونگی انتخاب ویژگی های مناسب در این روش با توجه به معیارهای خطی و غیرخطی به ترتیب ضریب همبستگی خطی و اطلاعات متقابل، بررسی و با ارزیابی های فردی از میزان خوب بودن ویژگی، رتبه بندی می شوند. نتایج تجربی بروی مجموعه دادگان NSL-KDD نشان میدهد که روش پیشنهادی علاوه بر بهبود انتخاب ویژگی منجر به افزایش سرعت و در برخی موارد دقت دسته بندی می شود و این امکان را می دهد تا مجموعه ای فشرده از ویژگی های برتر با هزینه بسیار پایین انتخاب شود.

نویسندگان

صفورا استوار

دانشگاه آزاد اسلامی واحد قزوین، دانشکده برق- رایانه و فناوری اطلاعات، قزوین، ایران

بابک ناصرشریف

دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی خواجه نصیرطوسی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • F. Amiri, M. Rezaei Yousefi, C. Lucas, A. shaker and ...
  • _ _ _ Detection Model", 2013, C ommunications in Computer ...
  • H. Liu, R. Setiono, "A probabilistic approach to feature selection ...
  • R. Kohavi, G.H. John, :Wrappers for feature subset selection:, Artificial ...
  • H. Peng, F. Long, C. Ding, :Feature selection based on ...
  • L. Yu, H. Liu, :Efficient Feature Selection via Analysis of ...
  • A. Boukerche, KR. Lemos Juca, JB. Sobral, M. Sechi Morett ...
  • _ _ _ _ International Conference on Availability, Reliability and ...
  • S. Chebrolu, A. Abraham, J P. Thomas, :Feature deduction and ...
  • T. S. Chou, K. K. Yen, J.Luo, "Network Intrusion Detection ...
  • F. Fleuret, "Fast binary feature selection with conditional mutual information", ...
  • C. Tsai, Y. Hsu, C. Lin, W. Lin, ":Intrusion detection ...
  • A. Kraskov, H. Stogbauer, P. Grassberger, "Estimating mutual information, Physical ...
  • Weka: http ://www.cs .waikato. ac .nz/-ml/wekat ...
  • :NSL-KDD dataset for network-based intrusion detection system: available _ http ...
  • Detection Using Intrusionء [16] S. Mukkamala, G. Janosski. A. H. ...
  • Support vector machine 18 bosting ...
  • نمایش کامل مراجع