عنوان انگلیسی: Statistics-Enhanced Direct Batch Growth Self-Organizing Mapping for Efficient DoS Attack Detection
سال نشر: ۲۰۱۹
نویسنده: Xiaofei Qu,Lin Yang,Kai Guo,Linru Ma,Tao Feng,Shuangyin Ren,Meng Sun
تعداد صفحه فارسی: ۱۷ – تعداد صفحه انگلیسی: ۸
دانشگاه: National Key Laboratory of Science and Technology on Information System Security, Institute of Systems Engineering, AMS, Beijing, China-Command and Control Engineering College, Army Engineering University of PLA, Nanjing, China
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: ترجمه پلاس
چکیده
به عنوان یک روش شبکه عصبی غیر رسمی، امکانات نقشه‌برداری خود سازمان دهی شده کامل و تجسم نمایش توپولوژی داده با ابعاد بالا، در تعدادی از کاربردها مانند تشخیص نفوذ شبکه معتبر است. با این حال، یک چالش برای به تصویر کشیدن دقیق توپولوژی داده‌های ترافیک شبکه با توزیع نامتعادل باقی می‌ماند، که عملکرد به عنوان مثال تشخیص حمله DoS را خراب می‌کند. از این رو، ما یک مدل جدید از "طرح خود سازمان دهی رشد دسته‌ای هدایت‌شده آماری" را پیشنهاد می‌کنیم، تعریف آستانه رشد مورد استفاده برای ارزیابی / کنترل گسترش نورون را تجدید می‌کنیم، و ابتدا فاکتور توزیع داخلی را برای تشخیص داده ریزدانه معرفی می‌کنیم. آزمایش‌های عددی مبتنی بر دو مجموعه داده KD99 و CICIDS2017، نشان می‌دهند که عملکرد کلیدی در تشخیص حمله DoS شامل نرخ شناسایی، نرخ مثبت کاذب و زمان آموزش به شدت با توجه به مفاهیم آماری مشورت شده در مدل پیشنهادی افزایش می‌یابد.
Abstract
true
محصولات مشابه
امتیاز شما:
(No Ratings Yet)
(No Ratings Yet)