یک سیستم تشخیص نفوذ مبتنی بر داده KDD-99 با استفاده از انتخاب ویژگی و تکنیک های داده کاوی

قیمت: 41,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

یک سیستم تشخیص نفوذ مبتنی بر داده KDD-99 با استفاده از انتخاب ویژگی و تکنیک های داده کاوی

عنوان لاتین

An Intrusion Detection System Based on KDD-99 Data using Data Mining Techniques and Feature Selection

اینترنت و کاربران اینترنت روز به روز درحال افزایش هستند. همچنین به علت توسعه سریع تکنولوژی اینترنت، امنیت موضوع بزرگتری می شود. مزاحمان شبکه های کامپیوتری را برای حملات به طور مداوم نظارت می کنند. یک فایروال پیچیده با سیستم تشخیص نفوذ کارآمد (IDS) برای جلوگیری شبکه های کامپیوتر از حملات مورد نیاز است. یک مطالعه جامع از نوشتجات ثابت کرده که تکنیک های داده کاوی قوی ترین تکنیک ها برای توسعه IDS به عنوان طبقه بندی کننده هستند. عملکرد طبقه بندی کننده یک موضوع بسیار سخت در شرایط کارآمدی آن است، همچنین تعداد ویژگی اسکن شده با IDS باید بهینه سازی شود. در این مقاله دو تکنیک C5.0 و شبکه های عصبی مصنوعی (ANN) با انتخاب ویژگی مورد استفاده قرار گرفته است. تکنیک های انتخاب ویژگی برخی از ویژگی های نامربوط را دور خواهند ریخت در حالی که C5.0 و ANN به عنوان یک طبقه بندی کننده برای طبقه بندی داده در هر دو نوع عادی یا یکی از 5 نوع حملات عمل می کنند. مجوعه داده KDD-99 برای تست و آموزش مدل استفاده می شود ، مدل C5.0 با تعداد ویژگی ها نتایج بهتر با بیشترین دقت100% تولید می کند. عملکردها همچنین در شرایط اندازه تقسیم بندی داده تایید شده است.

Internet and internet users are increasing day by day. Also due to rapid development of internet technology, security is becoming big issue. Intruders are monitoring computer network continuously for attacks. A sophisticated firewall with efficient intrusion detection system (IDS) is required to prevent computer network from attacks. A comprehensive study of literatures proves that data mining techniques are more powerful technique to develop IDS as a classifier. Performance of classifier is a crucial issue in terms of its efficiency, also number of feature to be scanned by the IDS should also be optimized. In this paper two techniques C5.0 and artificial neural network (ANN) are utilized with feature selection. Feature selection techniques will discard some irrelevant features while C5.0 and ANN acts as a classifier to classify the data in either normal type or one of the five types of attack.KDD99 data set is used to train and test the models ,C5.0 model with numbers of features is producing better results with all most 100% accuracy. Performances were also verified in terms of data partition size