رویکرد خوشه‌بندی مبتنی بر میانگین K دسته‌ای کوچک برای سیستم تشخیص نفوذ بر روی کلان داده‌ها
واتساپ:09141077352 همراه: 09141077352 ثابت: 35250068-041 سفارش سمینار و مقاله سفارش ترجمه تخصصی
 

دانلود فایل با شمار فاکتور

لطفا شماره فاکتور خود را درج نمایید


جدیدترین لغات واژه‌نامه

آمار بازدیدکنندگان

بازدید امروز :6
بازدید روز گذشته :51
بازدید این هفته :6
بازدید این ماه :358
مجموع آمار بازدید ها :799983

عنوان محصول: رویکرد خوشه‌بندی مبتنی بر میانگین K دسته‌ای کوچک برای سیستم تشخیص نفوذ بر روی کلان داده‌ها

دسته‌بندی: مقالات ترجمه شده رشته کامپیوتر
تاریخ انتشار: چهارشنبه 12 شهريور 1399
رویکرد خوشه‌بندی مبتنی بر میانگین K دسته‌ای کوچک برای سیستم تشخیص نفوذ بر روی کلان داده‌ها رویکرد خوشه‌بندی مبتنی بر میانگین K دسته‌ای کوچک برای سیستم تشخیص نفوذ بر روی کلان داده‌ها
توضیحات مختصر: سیستم تشخیص نفوذ (IDS) قادر به ارائه یک بخش پایه برای دفاع در شبکه است. به دلیل توسعه محاسبات ابری و شبکه‌های اجتماعی، بخش گسترده‌ای از داده‌ها ایجاد می‌شوند که به‌ناچار منجر به ایجاد فشار بر روی IDS می‌شوند. ازاین‌رو، تقسیم‌بندی کارای داده‌ها به کلاس‌های مختلف بر روی کلان داده‌ها مطابق با ویژگی‌های...
رویکرد خوشه‌بندی مبتنی بر میانگین K دسته‌ای کوچک برای سیستم تشخیص نفوذ بر روی کلان داده‌ها رویکرد خوشه‌بندی مبتنی بر میانگین K دسته‌ای کوچک برای سیستم تشخیص نفوذ بر روی کلان داده‌ها


قیمت قیمت : 45000 تومان
تخفیف تخفیف: 4000 تومان
تخفیف تخفیف ویژه : 10 درصد
قیمت نهایی قیمت نهایی: 36500 تومان
366 بازدید
کد مقاله: TTC- 3871
نوع فایل : docx
لینک دانلود فایل خریداری شده بلافاصله بعد از خرید موفق فعال خواهد شد.
Journal: IEEE 2018,

Clustering Approach Based on Mini Batch Kmeans for Intrusion Detection System over Big Data
Abstract
Intrusion Detection System (IDS) provides an important basis for the network defense. Due to the development of the cloud computing and social network, massive amounts of data are generated, which inevitably brings much pressure to IDS. And therefore, it becomes crucial to efficiently divide the data into different classes over big data according to data features. Moreover, we can further determine whether one is normal behavior or not based on the classes information. Although the clustering approach based on Kmeans for IDS has been well studied, unfortunately directly using it in big data environment may suffer from inappropriateness. On the one hand, the efficiency of data clustering needs to be improved. On the other hand, differ from the classification, there is no unified evaluation indicator for clustering issue, and thus, it is necessary to study which indicator is more suitable for evaluating the clustering results of IDS. In this study, we propose a clustering method for IDS based on Mini Batch Kmeans combined with Principal Component Analysis. Firstly, a preprocessing method is proposed to digitize the strings and then the dataset is normalized so as to improve the clustering efficiency. Secondly, the Principal Component Analysis method is used to reduce the dimension of the processed dataset aiming to further improve the clustering efficiency, and then Mini Batch Kmeans method is used for data clustering. More specifically, we use Kmeans++ to initialize the centers of cluster in order to avoid the algorithm getting into the local optimum, in addition, we choose the Calsski Harabasz indicator so that the clustering result is more easily determined. Compared with the other methods, the experimental results and the time complexity analysis show that our proposed method is effective and efficient. Above all, our proposed clustering method can be used for IDS over big data environment.
Keywords: IDS, Big Data, Clustering, Principal Component Analysis, Mini Batch Kmeans

چکیده
سیستم تشخیص نفوذ (IDS) قادر به ارائه یک بخش پایه برای دفاع در شبکه است. به دلیل توسعه محاسبات ابری و شبکه‌های اجتماعی، بخش گسترده‌ای از داده‌ها ایجاد می‌شوند که به‌ناچار منجر به ایجاد فشار بر روی IDS می‌شوند. ازاین‌رو، تقسیم‌بندی کارای داده‌ها به کلاس‌های مختلف بر روی کلان داده‌ها مطابق با ویژگی‌های داده‌ها از اهمیت بالایی برخوردار است. علاوه بر این، بر اساس اطلاعات کلاس‌های موجود می‌توان تعیین نمود که کدام دسته از داده‌ها دارای رفتار عادی هستند. علاوه بر این، رویکرد خوشه‌بندی مبتنی بر میانگین K برای IDS ها نیز به‌خوبی مورد ارزیابی قرار گرفته است، ولی با این حال قابلیت استفاده مستقیم از این ‌رویکرد در محیط کلان داده‌ها با مشکلات زیادی روبرو است. به‌عبارتی‌دیگر، کارایی خوشه‌بندی داده‌ها باید در این محیط بهبود داده شود. در سوی دیگر، برخلاف دسته‌بندی، شاخص ارزیابی منحصربه‌فردی برای بررسی مشکلات خوشه‌بندی وجود ندارد، درنتیجه مطالعه شاخص‌هایی که برای ارزیابی نتایج خوشه‌بندی IDS ها مناسب می‌باشند، ضروری است. در این مقاله، ما یک رویکرد خوشه‌بندی برای IDS ها بر مبنای راهکار میانگین K دسته‌ای کوچک ترکیب شده با آنالیز مؤلفه اصلی ارائه می‌دهیم. در گام اول، یک روش پیش‌پردازش به‌منظور عددی نمودن رشته‌ها پیشنهاد می‌شود و پس از آن مجموعه داده موردنظر به‌منظور بهبود و ارتقاء کارایی خوشه‌بندی نرمال‌سازی می‌شود. پس از آن، رویکرد آنالیز مؤلفه اصلی به‌منظور کاهش ابعاد مجموعه داده پردازش شده با هدف ارتقاء کارایی خوشه‌بندی، مورداستفاده قرار گرفته و روش میانگین K دسته‌ای کوچک برای خوشه‌بندی داده‌ها استفاده می‌شود. به‌صورت ویژه‌ای، ما از CC میانگین K برای مقداردهی اولیه خوشه به‌منظور جلوگیری از گیر افتادن الگوریتم در بهینه محلی استفاده می‌شود. علاوه بر این، از شاخص Calsski Harabasz استفاده می‌شود و درنتیجه نتایج خوشه‌بندی به‌سادگی قابل‌تعیین هستند. در مقایسه با سایر روش‌ها، نتایج آزمایشات و آنالیز پیچیدگی زمانی نشان می‌دهد که روش پیشنهادی ما دارای کارایی بالایی است. فراتر از مزایای بیان شده، رویکرد خوشه‌بندی پیشنهادی را می‌توان برای IDS در محیط کلان داده‌ها استفاده نمود.
کلمات کلیدی: IDS، کلان داده، خوشه‌بندی، آنالیز مؤلفه اصلی، میانگین K دسته‌ای کوچک.

تعداد صفحات انگلیسی تعداد صفحات انگلیسی:11 صفحه
تعداد صفحات فارسی تعداد صفحات فـارسـی:24 صفحه

  • آدرس: تبریز، آبرسان، مهرگان چهارم
  • تلفن  تماس: 09016347107
  • تلفن  ثابت : 35250068-041
  •  Mailttcenterاین آدرس ایمیل توسط spambots حفاظت می شود. برای دیدن شما نیاز به جاوا اسکریپت دارید : آدرس  ایمیل
  • @zoodyab :آدرس تلگرام
مرکز  تخصصی  تلاش ترجمه از  سال  1385 شروع به کار نموده است  و تا کنون بیش از ده هزار ترجمه در رشته ها و زمینه های مختلف توسط متخصصین این مرکز انجام  شده  است.

تمامی ترجمه‌های انجام شده توسط موسسه تخصصی تلاش ترجمه، به صورت دستی (غیرماشینی) بوده و توسط مترجمین با سابقه انجام می‌شوند. ترجمه‌های انجام شده توسط موسسه تلاش ترجمه در قالب فایل Word و به صورت کاملا روان و بازخوانی شده و با ضمانت بازگشت وجه 72 ساعته (در صورت عدم رضایت از ترجمه) خدمت مشتریان محترم ارائه می‌شود.