مقایسه کارایی الگوریتم های C4.5، Random Treeو Random Forestدر تشخیص نفوذ

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 802

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

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

FNCEITPNU01_025

تاریخ نمایه سازی: 17 اسفند 1393

چکیده مقاله:

با فراگیرشدن روزافزون فناوری اطلاعات و ارتباطات و گسترش شبکه های کامپیوتری متصل به اینترنت، حملات و نفوذهایی در اشکال مختلف به شبکه ها صورت می گیرد، لذا سیستم های تشخیص نفوذ(IDS)، مولفه اصلی یک شبکه امن است. سیستم تشخیص نفوذ بصورت یک آلارم دهنده به کاربر اعلام می کند. گاهی اوقات این آلارم ها صحیح و گاهی ناصحیح می باشند. جهت مقابله با آنها از سیستم های تشخیص نفوذ مبتنی بر داده کاوی استفاده شده است.سیستم های تشخیص نفوذ از یک الگوریتم دسته بندی جهت دسته بندی داده ها و ترافیک شبکه که بعنوان رفتار طبیعی یا غیرعادی است استفاده می کنند. در این مقاله مهم ترین الگوریتم درخت تصمیم را روی مجموعه دادهKDDCUP99 تست کرده و با مقایسه نتایج بهترین الگوریتم، الگوریتم Random Tree است که دارای بهترین کارایی با Accuracy:95.80% و خطای دسته بندی با میزان%4.20 است

نویسندگان

طیبه روحانی نژاد

دانشگاه آزاد اسلامی واحد بروجرد، گروه کامپیوتر، بروجرد ،ایران

محمدابراهیم شیری احمدآبادی

استادیار دانشگاه صنعتی امیرکبیر، گروه کامپیوتر، تهران، ایران

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 :
  • Breiman, _ random forests, in transaction machine learning, october, vol. ...
  • Faraoun, k. M.And boukelif, a., neural networks learning improvement using ...
  • Fayyad, u. M., shapiro, g. P. And smyth, p., "from ...
  • Mahmood, S .m. _ using ant and se If-organization maps ...
  • Mitchell, t.m., machie learning, mcgraw hill, (kdd 99 archive, 1999) ...
  • نمایش کامل مراجع