Low-rate False Alarm Intrustion Detection System with Genetic Algorithm Approach
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 822
متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- 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:
KBEI02_209
تاریخ نمایه سازی: 5 بهمن 1395
چکیده مقاله:
Intrusion Detection Systems (IDS) play an important role in identifying possible attacks to the networks. Most algorithms create a model; and the classification is done based on that model. During the classification, one of the main concerns is increasing the accuracy and the reliability. Traditional intrusion detection methods have some problems such as high false alarm rate, low detection compatibility against the new attacks, and insufficient capacity of the analysis. The next issue related to the intrusion detection systems is the feature reduction, extraction, and selection. In this paper, an intrusion detection model was created by genetic algorithms (GA) and the construction of the classifying models based on the training data observed from the genetic algorithm by KNN (K-Nearest Neighbors) algorithm has been taken into consideration. In this algorithm, it is supposed to reduce the false alarm rate in comparison with the previous methods.
کلیدواژه ها:
نویسندگان
M. Hossein Ahmadzadegan
Department of Electrical Engineering and Information Technology Azad University of Tehran-Electronic Branch
Ali Asgar Khorshidvand
Department of Electrical Engineering and Information Technology Azad University of Tehran-Electronic Branch
Mahdi Ghalbi Valian
Department of Computer and IT Azad University of Qazvin Qazvin, Iran
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 :