بهبود نرخ تشخیص و کاهش مقدار FNR در سیستم تشخیص نفوذ با استفاده از ترکیب طبقه بند نزدیک ترین همسایه و شبکه عصبی
سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 580
فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CEIT01_365
تاریخ نمایه سازی: 9 تیر 1393
چکیده مقاله:
سیستم های تشخیص نفوذ IDS از مولفه های اصلی جامعه اطلاعاتی امروزی به حساب می آیند. Fnr در این سیستم ها از اهمیت بالایی برخوردار است. به دلیل اینکه امنیت سیستم با افزایش fnr کاهش می یابد. ما در این مقاله سعی داریم با استفاده از ترکیب روشهای طبقه بندی مقدار fnr در این سیستم ها را کاهش دهیم . در این مقاله سعی بر این است تا با استفاده از مزایای طبقه بند knn و ترکیب آن با شبکه عصبی ffnn مقدار fnr را کاهش داده و دقت خوبی را برای طبقه بندی بدست آوردیم. با استفاده از این روش ما به دقت 94 % و fnr ، 0.11 رسیده ایم .
کلیدواژه ها:
نویسندگان
زهرا خدابخشی پاریزی
دانشجوی فوق لیسانس، هوش مصنوعی، دانشگاه علوم و تحقیقات ، کرمان
فرشید کی نیا
استادیار، هوش مصنوعی، دانشگاه علوم و تحقیقات ، کرمان