دانلود مقاله ISI انگلیسی شماره 76970
ترجمه فارسی عنوان مقاله

رویکرد مبتنی بر ارتباط دسته ای عدم قطعیت، مدیریت برای شبکه تشخیص ناهنجاری

عنوان انگلیسی
An uncertainty-managing batch relevance-based approach to network anomaly detection
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
76970 2015 11 صفحه PDF سفارش دهید
دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله تقریباً شامل 9034 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 70 تومان 13 روز بعد از پرداخت 632,380 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 140 تومان 7 روز بعد از پرداخت 1,264,760 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Applied Soft Computing, Volume 36, November 2015, Pages 408–418

ترجمه کلمات کلیدی
تشخیص ناهنجاری شبکه؛ فراگیری ماشین؛ طبقه بندی نظارت شده - تکنیک های مبتنی بر فازی؛ استنتاج استقرایی
کلمات کلیدی انگلیسی
Network anomaly detection; Machine learning; Supervised classification; Fuzzy-based techniques; Inductive inference
پیش نمایش مقاله
پیش نمایش مقاله  رویکرد مبتنی بر ارتباط دسته ای عدم قطعیت، مدیریت برای شبکه تشخیص ناهنجاری

چکیده انگلیسی

The main aim in network anomaly detection is effectively spotting hostile events within the traffic pattern associated to network operations, by distinguishing them from normal activities. This can be only accomplished by acquiring the a-priori knowledge about any kind of hostile behavior that can potentially affect the network (that is quite impossible for practical reasons) or, more easily, by building a model that is general enough to describe the normal network behavior and detect the violations from it. Earlier detection frameworks were only able to distinguish already known phenomena within traffic data by using pre-trained models based on matching specific events on pre-classified chains of traffic patterns. Alternatively, more recent statistics-based approaches were able to detect outliers respect to a statistic idealization of normal network behavior. Clearly, while the former approach is not able to detect previously unknown phenomena (zero-day attacks) the latter one has limited effectiveness since it cannot be aware of anomalous behaviors that do not generate significant changes in traffic volumes. Machine learning allows the development of adaptive, non-parametric detection strategies that are based on “understanding” the network dynamics by acquiring through a proper training phase a more precise knowledge about normal or anomalous phenomena in order to classify and handle in a more effective way any kind of behavior that can be observed on the network. Accordingly, we present a new anomaly detection strategy based on supervised machine learning, and more precisely on a batch relevance-based fuzzyfied learning algorithm, known as U-BRAIN, aiming at understanding through inductive inference the specific laws and rules governing normal or abnormal network traffic, in order to reliably model its operating dynamics. The inferred rules can be applied in real time on online network traffic. This proposal appears to be promising both in terms of identification accuracy and robustness/flexibility when coping with uncertainty in the detection/classification process, as verified through extensive evaluation experiments.

دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله شامل 9034 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 70 تومان 13 روز بعد از پرداخت 632,380 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 140 تومان 7 روز بعد از پرداخت 1,264,760 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.