ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > Anomaly Intrusion Detection Ba...>الوصف

Anomaly Intrusion Detection Based on a Hybrid GSA-SVM Classifier

المصدر: مجلة كلية التربية العلمية
الناشر: جامعة بنغازي - كلية التربية
المؤلف الرئيسي: Ben Qdara, Salima Omar (Author)
المجلد/العدد: ع4
محكمة: نعم
الدولة: ليبيا
التاريخ الميلادي: 2017
التاريخ الهجري: 1438
الشهر: يوليو
الصفحات: 103 - 121
DOI: 10.37376/1667-000-004-005
رقم MD: 895191
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: EduSearch
مواضيع:
الهجمات الشبكية | نظام كشف التسلل | تصنيف البيانات | الخوارزميات البرمجية
كلمات المؤلف المفتاحية:
Network Intrusion Detection | Gravitational Search Algorithm (GSA) | Support Vector Machines (SVM)
رابط المحتوى:
PDF (صورة)     
صورة الغلاف QR قانون

عدد مرات التحميل

11

حفظ في:
المستخلص: يستخدم نظام كشف التسلل (IDS) للكشف عن عدة أنواع من التصرفات المريبة التي يمكن أن تنتهك نظام الحاسب الأمني وتفقده موثوقيته، هذا يتضمن هجمات الشبكة ضد الخدمات الضعيفة، البيانات التي تدفع الهجمات على التطبيقات، الهجمات القائمة على استضافة الامتيازات، الدخول غير المصرح به والوصول إلى الملفات الحساسة، والبرامج الضارة )الفيروسات، حصان طروادة، والديدان) خوارزمية Support vector machine (SVM) تستخدم في تصميم أجهزة كشف التسلل داخل الشبكة، لأنها تتميز بقدرتها وفاعليتها في تصنيف البيانات على الشبكة، ولكن هناك صعوبة في تمثيل عوامل خوارزمية (SVM) Support vector machine مما يؤثر على دقة تصنيف بيانات نظام كشف التسلل (IDS) من أجل تحسين دقة تصنيف البيانات في نظام كشف التسلل (IDS) والتغلب على مشكلة صعوبة تمثيل عوامل خوارزمية Support vector machine ( SVM )، ثم تصميم خوارزمية مصنف هجين يجمع خوارزمية GSA و SVMلتحسين دقة المصنف SVM، وقد أثبتت النتائج أن الخوارزمية GSA – SVM لها القدرة على تحسين أداء جهاز كاشف التسلل (IDS) وتقليل نسبة الخطأ في عملية تحليل البيانات في الشبكة.

Support vector machine (SVM) is commonly used in IDSs because of its robustness and efficiency in the network classification. However, Parameter optimization influences the classification accuracy of SVM significantly. In order to improve, a hybrid classifier is designed based on a combination of the GSA and SVM algorithms to optimize the accuracy of the SVM classifier. In the GSA SVM classifier, the GSA guides the selection of potential subsets that lead to the best detection accuracy. The GSA-SVM algorithm evaluated using KDD CUP 99 data set and compared to the outperformance of the original SVM algorithms. The results show that the performance of GSA-SVM algorithm has higher detection rate with lower false positive rate.

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.