ترجمه مقاله شبكه هاي عصبي آموزشي رقابتي پيشرفته در مورد تشخيص نفوذ درشبكه

عنوان محصول        ترجمه مقاله شبكه هاي عصبي آموزشي رقابتي پيشرفته در مورد تشخيص نفوذ درشبكه
متن همراه با لينك خريد محصول    ترجمه مقاله شبكه هاي عصبي آموزشي رقابتي پيشرفته در مورد تشخيص نفوذ درشبكه   
عنوان انگليسي مقاله: Improved competitive learning neural networks for network intrusion and fraud detection
عنوان فارسي مقاله: شبكه هاي عصبي آموزشي رقابتي پيشرفته در مورد تشخيص نفوذ در شبكه و شناسايي كلاهبرداري
دسته: كامپيوتر و فناوري اطلاعات
فرمت فايل ترجمه شده: WORD (قابل ويرايش)
تعداد صفحات فايل ترجمه شده: 32
لينك دريافت رايگان نسخه انگليسي مقاله: دانلود
ترجمه ي سليس و روان مقاله آماده ي خريد مي باشد.
_______________________________________
چكيده ترجمه:
در اين پژوهش، دو الگوريتم خوشه بندي جديد را معرفي مي كنيم. شبكه اموزشي رقابتي پيشرفته (ICLN) و شبكه آموزشي رقابتي پيشرفته نظارتي (SICLN) كه در زمينه تشخيص كلاهبرداري و تشخيص نفوذ شبكه در مي باشند. شبكه اموزشي رقابتي پيشرفته (ICLN) به عنوان الگوريتم خوشه بندي غيرنظارتي مي باشد، كه قوانين جديدي را براي شبكه هاي عصبي آموزشي رقابتي استاندارد (SCLN) اعمال مي كند. نورون هاي شبكه در شبكه آموزشي رقابتي پيشرفته (ICLN)  براي ارائه مركز داده توسط قوانين بروز شده تنبيه و پاداش جديد آموزش ديده اند. اين قوانين بروز شده، بي ثباتي شبكه هاي عصبي آموزشي رقابتي استانداردSCLN)  ) را از بين مي برند. شبكه آموزشي رقابتي يشرفته نظارتي (SICLN) به عنوان نسخه بازبيني شده شبكه اموزشي رقابتي پيشرفته (ICLN) مي باشد . در SICLN (شبكه آموزشي رقابتي يشرفته نظارتي (SICLN) ، قوانين بروزرساني شده نظارتي از دسته بندي داده براي هدايت مراحل آموزش براي دسترسي به نتايج خوشه بندي بهتر استفاده مي كند. شبكه آموزشي رقابتي پيشرفته نظارت شده مي تواند براي داده هاي دسته بندي شده و دسته بندي نشده اعمال شده و در سطح بالايي در برابر اتيكت هاي مفقودي و تاخيري مقاوم مي باشد. علاوه بر اين، شبكه آموزشي رقابتي يشرفته نظارتي (SICLN) داراي قابليت بازسازي بوده، بنابراين كاملا مستقل از تعداد اوليه خوشه ها مي باشد.
براي ارزيابي الگوريتم هاي مورد نظر، به مقايسه عملي در مورد داده هاي تحقيق و داده هاي حقيقي در تشخيص كلاهبرداري و تشخيص نفوذ شبكه پرداختيم. نتايج اثبات مي كند كه هر دو مورد ICLN و SICLN به بايگاني عملكرد بالا مي پردازند، و SICLN در الگوريتم هاي خوشه بندي غيرنظارتي سنتي عملكرد بهتري دارد.
كليدواژه: آموزش رقابتي، شناسايي كلاهبرداري، شناسايي نفوذ، خوشه بندي نظارتي/ غير نظارتي، شبكه عصبي
1. مقدمه تشخيص كلاهبرداري و تشخيص نفوذ در شبكه در كسب و كار تجارت الكترونيك بسيار مهم مي باشد. بر طبق به گزارش هاي تجارت الكترونيك فروش اداره سرشماري ايالات متحده، تجارت الكترونيك در امريكاي شمالي داراي رشد 20% يا بيشتر در هر سال مي باشد. به هر حال كلاهبرداري در شركت هاي تجارت الكترونيك ايالات متحده و كانادا منجر به هزينه تلفات زيادي شده است. با توجه به رشد اخير در تجارت الكترونيك، كلاه برداري در زمينه كارت هاي اعتباري بسيار رايج شده است. بر مبناي نتايج بررسي در سال 2009، به طور متوسط، 1.6% از سفارشات بر مبناي كلاه برداري بوده، كه حدود 3.3 ميليارد دلار مي باشد. علاوه بر ضررهاي مستقيمي كه از طريق فروش هاي كلاهبرداري انجام شده است، اعتماد قربانيان كلاهبرداري در زمينه كارت هاي اعتباري و شركت خرده فروش كمتر شده، كه در نتيجه ضرر ها نيز افزايش يافته است. هدف شركت ها و صادر كنندگان كارت هاي اعتباري اين است تا هر چه زودتر به افشا يا جلوگيري از كلاه برداري بپردازند. از طرف ديگر نفوذ به شبكه، از پشت به شركت هاي تجارت الكترونيك ضربه مي زند. زمان وقفه سرورهاي وب يا نفوذ به اطلاعات يا كسب و كار مشتري منجر به ضررهاي زيادي مي گردد.

جهت دانلود محصول اينجا كليك نماييد