برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب An Improved Algorithm for Fuzzy Data Mining for Intrusion Detection

دانلود کتاب یک الگوریتم بهبود یافته برای داده کاوی فازی برای تشخیص نفوذ

مشخصات کتاب

An Improved Algorithm for Fuzzy Data Mining for Intrusion Detection

دسته بندی: الگوریتم ها و ساختارهای داده
ویرایش:  
نویسندگان: Florez G.,  Bridges S.M.,  Vaughn R.B.  
سری:  
 
ناشر:  
سال نشر: 2004 
تعداد صفحات: 6 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 118 کیلوبایت

قیمت کتاب (تومان) : 45,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 16

در صورت تبدیل فایل کتاب An Improved Algorithm for Fuzzy Data Mining for Intrusion Detection به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب یک الگوریتم بهبود یافته برای داده کاوی فازی برای تشخیص نفوذ نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب یک الگوریتم بهبود یافته برای داده کاوی فازی برای تشخیص نفوذ

ما از تکنیک های داده کاوی فازی برای استخراج الگوهایی استفاده کرده ایم که رفتار عادی را برای تشخیص نفوذ نشان می دهند. در این مقاله ما انواع تغییراتی را که در الگوریتم های داده کاوی انجام داده ایم به منظور بهبود دقت و کارایی شرح می دهیم. ما از مجموعه‌ای از قوانین تداعی فازی که از داده‌های حسابرسی شبکه استخراج می‌شوند به عنوان مدل‌های «رفتار عادی» استفاده می‌کنیم. برای تشخیص رفتار غیرعادی، قوانین تداعی فازی را از داده‌های حسابرسی جدید ایجاد می‌کنیم و شباهت را با مجموعه‌های استخراج‌شده از داده‌های «عادی» محاسبه می‌کنیم. در این مقاله الگوریتمی برای محاسبه قوانین تداعی فازی بر اساس درختان پیشوند بورگلت، اصلاحات در محاسبه پشتیبانی و اطمینان قوانین فازی، روشی جدید برای محاسبه شباهت توصیف می کنیم. از دو مجموعه قانون فازی و انتخاب ویژگی و بهینه‌سازی با الگوریتم‌های ژنتیک نتایج تجربی نشان می‌دهد که می‌توانیم با این اصلاحات به زمان اجرا و دقت بهتری دست یابیم.

توضیحاتی درمورد کتاب به خارجی

We have been using fuzzy data mining techniques to extract patterns that represent normal behavior for intrusion detection. In this paper we describe a variety of modifications that we have made to the data mining algorithms in order to improve accuracy and efficiency. We use sets of fuzzy association rules that are mined from network audit data as models of "normal behavior. To detect anomalous behavior, wegenerate fuzzy association rules from new audit data and compute the similarity with sets mined from "normal" data. If the similarity values are below a threshold value, an alarm isissued. In this paper we describe an algorithm for computing fuzzy association rules based on Borgelt's prefix trees, modifications to the computation of support and confidence offuzzy rules, a new method for computing the similarity of two fuzzy rule sets, and feature selection and optimization with genetic algorithms. Experimental results demonstrate that we can achieve better running time and accuracy with these modifications.