مقاله ترجمه شده شبکه های عصبی آموزشی رقابتی پیشرفته در مورد تشخیص نفوذ در شبکه و شناسایی کلاهبرداری

 

کد محصول:CM36

قیمت فایل ترجمه شده:    ۱۰۰۰۰تومان

تعداد صفحه انگلیسی:۱۱

سال نشر: ۲۰۱۳

تعداد صفحه ترجمه فارسی:   ۳۲  صفحه word

عنوان فارسی:

مقاله ترجمه شده شبکه های عصبی آموزشی رقابتی پیشرفته در مورد تشخیص نفوذ در شبکه و شناسایی کلاهبرداری

عنوان انگلیسی:

Improved competitive learning neural networks for network intrusion and fraud detection

چکیده فارسی:

در این پژوهش، دو الگوریتم خوشه بندی جدید را معرفی می کنیم. شبکه اموزشی رقابتی پیشرفته (ICLN) و شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN) که در زمینه تشخیص کلاهبرداری و تشخیص نفوذ شبکه در می باشند. شبکه اموزشی رقابتی پیشرفته (ICLN) به عنوان الگوریتم خوشه بندی غیرنظارتی می باشد، که قوانین جدیدی را برای شبکه های عصبی آموزشی رقابتی استاندارد (SCLN) اعمال می کند. نورون های شبکه در شبکه آموزشی رقابتی پیشرفته (ICLN)  برای ارائه مرکز داده توسط قوانین بروز شده تنبیه و پاداش جدید آموزش دیده اند. این قوانین بروز شده، بی ثباتی شبکه های عصبی آموزشی رقابتی استانداردSCLN)  ) را از بین می برند. شبکه آموزشی رقابتی یشرفته نظارتی (SICLN) به عنوان نسخه بازبینی شده شبکه اموزشی رقابتی پیشرفته (ICLN) می باشد . در SICLN (شبکه آموزشی رقابتی یشرفته نظارتی (SICLN) ، قوانین بروزرسانی شده نظارتی از دسته بندی داده برای هدایت مراحل آموزش برای دسترسی به نتایج خوشه بندی بهتر استفاده می کند. شبکه آموزشی رقابتی پیشرفته نظارت شده می تواند برای داده های دسته بندی شده و دسته بندی نشده اعمال شده و در سطح بالایی در برابر اتیکت های مفقودی و تاخیری مقاوم می باشد. علاوه بر این، شبکه آموزشی رقابتی یشرفته نظارتی (SICLN) دارای قابلیت بازسازی بوده، بنابراین کاملا مستقل از تعداد اولیه خوشه ها می باشد.

۶. نتیجه گیری و آثار آینده

ما دو الگوریتم خوشه بندی را مطرح و مد نظر قرار داده ایم: ۱) ICLN، الگوریتم خوشه بندی غیرنظارتی  که از شبکه های عصبی آموزشی رقابتی استاندارد ایجاد می گردند و ۲) SICLN، الگوریتم خوشه بندی نظارتی، که مکانیسم نظارتی را برای ICLN معرفی می کند.

ICLN باعث بهبود SCLN با اصلاح قوانین بروزرسانی از قوانین مربوط به پاداش تا قوانین تنبیه – پاداش می گردد. قوانین بروزرسانی جدید باعث افزایش ثبات شده و فرایند اموزش ICLN را سرعت می بخشد. علاوه بر این، تعداد خوشه های نهایی ICLN مستقل از تعداد نورون های شبکه اولیه می باشد زیرا نورون های تکراری در نهایت توسط قانون تنبیه از خوشه مستثنی می گردند.

SICLN الگوریتم نظارتی خوشه بندی می باشد که حاصل از ICLN می باشد. SICLN از داده های طبقه بندی شده برای بهبود نتایج خوشه بندی استفاده می کند. SICLN  قوانین آموزشی ICLN  را برای آموزش داده های دسته بندی شده و غیردسته بندی شده اصلاح می کند. علاوه بر این، SICLN مراحل بازسازی را به ICLN برای ادغام یا تقسیم بردارهای وزنی موجود برای فعالیت خوشه بندی، می افزاید. مراحل بازسازی باعث می شوند که SICLN کاملا مستقل از تعداد خوشه های اولیه گردند. تابع هدف که به ادغام یکنواخت بودن و پراکنش خوشه ها می پردازد، در مورد استفاده قرار می گیرد تا به بهینه سازی نسبت دسته بندی نادرست و تعداد خوشه ها بپردازد.

ما به مقایسه عملکرد SICLN و ICLN با میانگین k و SOM با استفاده از مجموعه داده پرداختیم: که شامل داده های ایریس، داده های KDD-99، و داده های پرداخت کارت اعتباری می باشد. ICLN صحت مشابهی را همانند الگوریتم های خوشه بندی غیرنظارتی دیگر کسب می کند. SICLN به اجرای الگوریتم های دیگر در تمام سه مجموعه داده پرداخته و مزایای زیر را بدست می دهد: ۱) دسترسی به نسبت دسته بندی نادرست کم در حل مشکلات طبقه بندی ۲) قادر به رسیدگی به داده های دسته بندی شده و دسته بندی نشده می باشد؛ ۳) دارای قابلیت دسترسی به عملکرد بالا حتی زمانی که بخشی از دسته بندی داده ها از بین می رود می باشد؛ ۴) قادر به دسته بندی داده هایی با چولگی بالا می باشد؛ ۵) دارای قابلیت شناسایی الگوهای غیر قابل مشاهده می باشد؛ ۶) کاملا مستقل از تعداد اولیه خوشه ها می باشد. مقایسه تجربی نشان می دهد که SICLN دارای عملکرد عالی در حل مسئله دسته بندی با استفاده از روش خوشه بندی می باشد. مزایای فهرست شده در بالا نشان می دهد که SICLN ، به عنوان الگوریتم ایده آلی برای شناسایی کلاهبرداری و تشخیص نفوذ شبکه می باشد.

موارد زیر پیشرفت و بهیود در آینده را در حوزه این تحقیق نشان می دهد.

– روش تخمین بهتر برای مراحل بازسازی، بازدهی SICLN را بهتر می کند. اگر روش دقیق تری برای برآورد ارزش تابع هدف وجود داشته باشد، SICLN قادر به پوشش سریعتر نتایج نهایی می باشد.

– پیشرفت بیشتر برای جلوگیری از بهینه سازی محلی انجام می گیرد. اگرچه، مراحل بازسازی، انتخاب نسبت یادگیری، و کاربرد تنزل وزنی می تواند شانس پایان نقطه بهینه محلی را برای SICLN کاهش دهد. SICLN کنونی تضمینی را در مورد بهینه ساز محلی ایجاد نمی کند. تحقیقات بیشتر می تواند به بهبود SICLN از چنین جنبه ای منجر گردد.

ص ۱۱

– SICLN دارای پتانسیلی برای اصلاح الگوریتم اموزشی افزایشی می باشد اگرچه SICLN کنونی برای برای آموزش دسته کردن طراحی شده است. روش اموزش افزایشی باعث بهبود سیستم شناسایی کلاهبرداری یا نفوذ در شبکه می گردد که به عنوان سیستم تطبیقی اتوماتیک همراه یا بدون مقدار کمی از تعامل انسانی می باشد.

– معرفی منطق فازی به عنوان روش بهبود با پتانسیل بالا برای SICLN می باشد. اختلاف بین خوشه بندی فازی و خوشه بندی سنتی این می باشد که خروجی مربوط به خوشه بندی فازی با عنوان تابع عضویتی می باشد که باعث ارتباط نقطه داده با هر خوشه می گردد. نتایج فازی برای تشخیص کلاهبرداری و شناسایی نفوذ در شبکه برای تعیین احتمال فعالیت هایی که به صورت کلاهبردارانه و نفوذی می باشند، کمک کننده است. دانش احتمالی مربوط به فعالیتی که به صورت کلاهبرداری یا نفوذ می باشد می تواند کمکی برای سیستم به منظور اجرای واکنش های مناسب باشد.