CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

تشخیص نفوذ به شبکه های کامپیوتری با روش MMF یک روش مبتنی بر یادگیری دسته بند فازی

اعتبار موردنیاز : ۱ | تعداد صفحات: ۸ | تعداد نمایش خلاصه: ۳۰۰۴ | نظرات: ۰
سرفصل ارائه مقاله: امنیت
سال انتشار: ۱۳۸۶
نوع ارائه: شفاهی
کد COI مقاله: ACCSI13_060
زبان مقاله: فارسی
حجم فایل: ۲۰۹.۸۷ کیلوبایت (فایل این مقاله در ۸ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۸ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله تشخیص نفوذ به شبکه های کامپیوتری با روش MMF یک روش مبتنی بر یادگیری دسته بند فازی

  سعید جلیلی - آزمایشگاه یادگیری نمادین،گروه کامپیوتر دانشگاه تربیت مدرس
  فاطمه فرجی دانشگر - آزمایشگاه یادگیری نمادین،گروه کامپیوتر دانشگاه تربیت مدرس

چکیده مقاله:

با توجه به اینکه تفاوت کلاس حمله و کلاس رفتار عادی خوش تعریف نیست و از طرف دیگر ،منطق فازی اجازه می دهد که یک نمونه متلق به چند کلاس با درجات تعلق مختلف باشد، در نتیجه
بکارگیری منطق فازی در سیستم های تشخیص نفوذ می تواند مفید و موثر باشد.
ت اکنون منطق فازی اکثر موارد، به صورت ترکیب منطق فازی با الگوریتم ژنتیک یا شبکه عصبی بوده است و روش های دسته بندی فازی، کمتر استفاده شده است. در این مقاله یکی از روش های دسته بندی فازی بهنامEmmff که اخیرا برای تشخیص نفوذ ارائه شده است، بررسی و نقد ، می شود. با بررسی روش،Emmff مشاهده شد که این روش در قسمت انتخاب خصیصه ضعف دارد . در این مقاله، روش انتخاب خصیصهEmmff بهبود داده شده است و کارایی آن در تشخیص نفوذ به شبکه های کامپیوتری بررسی شده است. نتایج ارزیابی نشان داد که روش بهبود یافته Emmff نسبتبه روش ،Emmff از یک سو معیارهای "نرخ اعلام نادرست" و "نرخ تشخیص " را به ترتیب 1/48% و 1/33% بهبود داده است و از سوی دیگر منجر به کاهش تعداد قوانین فازی تشخیص نفوذ به میزان 31/45% و همچنین کوچکتر شدن قسمت If قوانین به میزان 54/57% می شود. روش MMF در مقایسه با سایر ، روش های تشخیص نفوذ فازی ضمن داشتن نرخ تشخیص قابل مقایسه، حداقل 0/34% نرخ اعلام نادرست را بهبود داده است.

کلیدواژه‌ها:

دسته بندی فازی، تشخیص نفوذ، نرخ تشخیص، نرخ اعلام نادرست ، بهبود روش Emmff ، روش MMF ، داده های KDD

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-ACCSI13-ACCSI13_060.html
کد COI مقاله: ACCSI13_060

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
جلیلی, سعید و فاطمه فرجی دانشگر، ۱۳۸۶، تشخیص نفوذ به شبکه های کامپیوتری با روش MMF یک روش مبتنی بر یادگیری دسته بند فازی، سیزدهمین کنفرانس سالانه انجمن کامپیوتر ایران، جزیره کیش، انجمن کامپیوتر، دانشگاه صنعتی شریف، https://www.civilica.com/Paper-ACCSI13-ACCSI13_060.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (جلیلی, سعید و فاطمه فرجی دانشگر، ۱۳۸۶)
برای بار دوم به بعد: (جلیلی و فرجی دانشگر، ۱۳۸۶)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • _ Gomes J. , Dasgupta S., "Evolving Fuzzy Classifiers for ...
  • Abadeh M. S., Habibi J., Lucas C., "Intrusion detection using ...
  • Ishibuchi H., Murata T., "Techniques and applications of genetic alg ...
  • جزایری و.، حبیبی ج.، صنیعی آباده م. _ پیرزاده پ.، ... (مقاله کنفرانسی)
  • Lee K., Mikhailov L, "Intelligent Intrusion Detection", In 2nd International ...
  • Leon E., Nasraoui O. , Gomez J., "Anomaly detection based ...
  • Xian J., Lang F. , Tang X. , "A Novel ...
  • In Proceedings of the 4th International Conference On Machine Learning ...
  • Xiang G. _ Min W., Rongchun Z., "Applying Fuzzy Data ...
  • Mohajerani M. R., Moeini A. _ Kianie M., "NFIDS: a ...
  • کامپیوتری با رویکرد یادگیری دسته بند فازی "، پانزدهمین کنفرانس ... (مقاله کنفرانسی)
  • KDD Cup 1999 Data, Available on: ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۲۴۹۷۸
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.