این فایل ترجمه فارسی مقاله زیر می باشد:
Designing of on line intrusion detection system using rough set theory and Q-learning algorithm
چکیده
توسعه یک سیستم تشخیص نفوذ زمان واقعی کارآمد (IDS) در این مقاله با ادغام الگوریتم یادگیری Q و نظریه مجموعه سخت (RST) پیشنهاد شده است. هدف از این کار رسیدن به حداکثر دقت طبقه بندی در حالی که نفوذ با طبقه بندی ترافیک شبکه داده NSL-KDD "طبیعی" یا "ناهنجاری" تشخیص داده می شود، است. از آنجا که RST تنها داده های گسسته را پردازش می کند، با استفاده از عملیات برش صفات در داده های آموزشی گسسته سازی می شوند. با استفاده از مفهوم غیرقابل تشخیص بودن RST، مجموعه ویژگی کاهش یافته ، به نام reducts به دست آمده است و در میان reducts یک کاهش تنها انتخاب شده است که که بالاترین دقت طبقه بندی را فراهم می کند. با این حال، برای داده های آزمون همان کاهش بالاترین دقت طبقه بندی را به دلیل تغییر مقادیر ویژگی گسسته سازی شده، فراهم نخواهد کرد. بنابراین، برای غلبه بر مشکل فرآیندهای گسسته سازی و انتخاب ویژگی به صورت جامع و نظام مند در این مقاله با استفاده از روش های یادگیری ماشین پرداخته شده است. الگوریتم یادگیری Q برای یادگیری مقادیر برش بهینه برای صفات مختلف اصلاح شده است به طوری که کاهش مربوطه حداکثر دقت طبقه بندی را تولید می کند در حالی که داده های ترافیک شبکه را طبقه بندی می کند. از آنجایی که، همه صفات در تشخیص نفوذ شرکت ندارند بلکه فقط کاهشی شرکت دارند، الگوریتم پیشنهادی سریع تر از یادگیری Q است و باعث کاهش پیچیدگی IDS می شود. دقت طبقه بندی با 98٪ میزان موفقیت با استفاده از داده های زمان واقعی به دست آمد، که نشان دهنده ی عملکرد برتر در مقایسه با دیگر طبقه بندها می باشد.
توضیحات: فایل ترجمه به صورت word می باشد و دارای 25 صفحه است.
طراحی یک سیستم تشخیص ورود بر خط با استفاده از تئوری مجموعه سخت و الگوریتم یادگیری Q
