دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: الگوریتم ها و ساختارهای داده ویرایش: نویسندگان: Bridges S.M., Vaughn R.B. سری: ناشر: سال نشر: 2000 تعداد صفحات: 14 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 123 کیلوبایت
در صورت تبدیل فایل کتاب FuzzyData Mining and Genetic Algorithms Applied to 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 FuzzyData استخراج و الگوریتم های ژنتیک اعمال شده در 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.
ما در حال توسعه یک نمونه اولیه سیستم تشخیص نفوذ هوشمند (IIDS) برای نشان دادن اثربخشی تکنیکهای داده کاوی هستیم که از منطق فازی و الگوریتمهای ژنتیک استفاده میکنند. این سیستم هم تشخیص نفوذ مبتنی بر ناهنجاری را با استفاده از تکنیک های داده کاوی فازی و هم تشخیص سوء استفاده با استفاده از تکنیک های سنتی سیستم خبره مبتنی بر قانون را ترکیب می کند. اجزای مبتنی بر ناهنجاری با استفاده از تکنیک های داده کاوی فازی توسعه یافته اند. آنها به دنبال انحراف از الگوهای ذخیره شده رفتار عادی هستند. الگوریتم های ژنتیک برای تنظیم توابع عضویت فازی و انتخاب مجموعه ای مناسب از ویژگی ها استفاده می شود. اجزای تشخیص سوء استفاده به دنبال الگوهای رفتاری توصیف شده قبلی هستند که احتمالاً نشان دهنده نفوذ هستند. هم ترافیک شبکه و هم داده های حسابرسی سیستم به عنوان ورودی برای هر دو مؤلفه استفاده می شود.
We are developing a prototype intelligent intrusion detection system (IIDS) to demonstrate the effectiveness of data mining techniques that utilize fuzzy logic and genetic algorithms. This system combines both anomaly based intrusion detection using fuzzy data mining techniques and misuse detection using traditional rule-based expert system techniques. The anomaly-based components are developed using fuzzy data mining techniques. They look for deviations from stored patterns of normal behavior. Genetic algorithms are used to tune the fuzzy membership functions and to select an appropriate set of features. The misuse detection components look for previously described patterns of behavior that are likely to indicate an intrusion. Both network traffic and system audit data are used as inputs for both components.