ترجمه مقاله سیستم تشخیص نفوذ مبتنی بر فازی در شبکه های ادهاک متحرک – سال 2023
مشخصات مقاله:
عنوان فارسی مقاله:
سیستم تشخیص نفوذ مبتنی بر فازی در شبکه های ادهاک متحرک (MANET)
عنوان انگلیسی مقاله:
Fuzzy based intrusion detection system in MANET
کلمات کلیدی مقاله:
شبکه ی ادهاک متحرک – سامانه ی تشخیص نفوذ – امنیت – یادگیری افراطی فازی – تحلیل مؤلفه ی اصلی – رقابت ابزارهای داده کاوی و کشف دانش
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر – مهندسی فناوری اطلاعات
مناسب برای گرایش های دانشگاهی زیر:
امنیت اطلاعات – سامانه های شبکه ای – شبکه های کامپیوتری
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1- مقدمه
2- بررسی ادبیات پژوهشی
3- روش پیشنهادی
4- نتایج و گفتمان
5- نتیجه گیری
منابع
قسمتی از مقاله انگلیسی و ترجمه آن:
ABSTRACT
The rapid development and popularization of the Mobile Adhoc Network (MANET) have brought many security issues in network. Intrusion detection system, an effective security technology which can efficiently detect malicious data in complex network environments and ensure computer network security. Because of the complexity of MANET, traditional Intrusion Detection system IDSs are ineffective in this new context, several methods including Support Vector Machine (SVM) have been used to detect intrusion. Most existing technologies strive for low execution times and energy efficiency while achieving accurate detection rates. To overcome these disadvantages, a novel Principal Component Analysis based Fuzzy Extreme learning machine (PCA-FELM) has been proposed in this paper. Initially, the features are extracted by using Principal Component Analysis and then the extracted features are classified by using Fuzzy Extreme Learning Machine. The proposed PCA-FELM is implemented using MAT LAB simulator. The proposed PCA-FELM is compared with existing methods such as DBN-IDS, GOA-SVM and SDAE-ELM and the proposed method achieves higher accuracy of 99.08% than other existing methods. Experiments on the Knowledge Discovery and Data Mining Tools Competition, KDD Cup99 dataset show that the proposed PCA-FELM model have superior performance than other existing techniques.
چکیده
توسعه ی سریع و رواج و محبوبیت شبکه ی ادهاک متحرک (MANET) مسائل امنیتی زیادی را در شبکه به همراه داشته است. سامانه ی تشخیص نفوذ، یک فناوری امنیتی مؤثر که می تواند داده های مخرب در محیط شبکه های پیچیده را به خوبی تشخیص داده و امنیت شبکه ی کامپیوتری را تضمین کند. به دلیل اینکه پیچیدگی MANET، IDSهای سامانه ی تشخیص نفوذ قدیمی در این بستر مؤثر واقع نمی شوند، روش های متعددی از جمله ماشین بردار پشتیبان (SVM) به منظور تشخیص نفوذ مورد استفاده قرار گرفته اند. اکثر فناوری های موجود تلاش می کنند تا زمان اجرای کمتر و بهره وری انرژی را به همراه داشته باشند درحالیکه به نرخ تشخیص دقیق دست پیدا می کنند. به منظور غلبه برا این ایرادات و مشکلات، یک ماشین یادگیری افراطی فازی جدید مبتنی بر تحلیل مؤلفه ی اصلی (PCA-FELM) در این مقاله مطرح شده است. در درجه ی اول، ویژگی ها با استفاده از تحلیل مؤلفه ی اصلی استخراج می شوند و پس از آن ویژگی های استخراج شده با استفاده از ماشین یادگیری افراطی فازی طبقه بندی می شوند. PCA-FELM با استفاده از شبیه ساز MAT LAB اجرا می شود. PCA-FELM پیشنهادی با روش های موجود مثل DBN-IDS، GOA-SVM، و SDAE-ELM مقایسه شده و روش پیشنهادی به دقت 99.08% بالاتر از سایر روش های موجود دست می یابد. آزمایش های صورت گرفته روی رقابت ابزارهای داده کاوی و کشف دانش، مجموعه داده های KDD Cup99 نشان می دهند که روش PCA-FELM پیشنهادی نسبت به سایر تکنیک های موجود از عملکرد خیلی بهتری برخوردار هستند.
