عنوان انگلیسی مقاله: Improved competitive learning neural networks for network intrusion and fraud detection
عنوان فارسی مقاله: شبکه های عصبی آموزشی رقابتی پیشرفته در مورد تشخیص نفوذ در شبکه و شناسایی کلاهبرداری
فرمت فایل ترجمه شده: فایل Word ورد 2007 یا 2003 (Docx یا Doc) قابل ویرایش
تعداد صفحات فایل ترجمه شده: 32
_______________________________________
چکیده
در
این پژوهش، دو الگوریتم خوشه بندی جدید را معرفی می کنیم. شبکه آموزشی
رقابتی پیشرفته (ICLN) و شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN) که در
زمینه تشخیص کلاهبرداری و تشخیص نفوذ شبکه در می باشند. شبکه آموزشی 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 استاندارد
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 پیشرفته 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 پیشرفته نظارتی (SICLN) دارای قابلیت بازسازی بوده، بنابراین کاملا
مستقل از تعداد اولیه خوشه ها می باشد. برای ارزیابی الگوریتم
های مورد نظر، به مقایسه عملی در مورد داده های تحقیق و داده های حقیقی در
تشخیص کلاهبرداری و تشخیص نفوذ شبکه پرداختیم. نتایج اثبات می کند که هر دو
مورد ICLN و SICLN به بایگانی عملکرد بالا می پردازند، و SICLN در
الگوریتم های خوشه بندی غیرنظارتی سنتی عملکرد بهتری دارد.