Improved competitive learning neural networks for network intrusion and fraud detection

تاریخ: ۲۰۱۲

پایگاه:  الزویر

لینک دانلود اصل مقاله

نام مجله: Neurocomputing

قیمت: ۲۰۰,۰۰۰ ریال

تعداد صفحات انگلیسی: ۱۱

تعداد صفحات فارسی: ۳۳

کد: ۵۵۰۳۶

چکیده فارسی

در این پژوهش، دو الگوریتم خوشه‌بندی جدید را معرفی می‌کنیم. شبکه آموزشی رقابتی پیشرفته (ICLN) و شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN) که در زمینه تشخیص کلاهبرداری و تشخیص نفوذ در شبکه می‌باشند. شبکه آموزشی رقابتی پیشرفته (ICLN) به عنوان الگوریتم خوشه‌بندی غیرنظارتی می‌باشد، که قوانین جدیدی را برای شبکه‌های عصبی آموزشی رقابتی استاندارد (SCLN) اعمال می‌کند. نورون‌های شبکه در شبکه آموزشی رقابتی پیشرفته (ICLN)  برای ارائه مرکز داده توسط قوانین بروز شده تنبیه و پاداش جدید آموزش دیده‌اند. این قوانین بروز شده، بی‌ثباتی شبکه‌های عصبی آموزشی رقابتی استاندارد(SCLN) را از بین می‌برند. شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN) به عنوان نسخه بازبینی شده شبکه آموزشی رقابتی پیشرفته (ICLN) می‌باشد . در SICLN (شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN) ، قوانین بروزرسانی‌شده نظارتی از دسته‌بندی داده برای هدایت مراحل آموزش برای دسترسی به نتایج خوشه‌بندی بهتر استفاده می‌کند. شبکه آموزشی رقابتی پیشرفته نظارت شده می‌تواند برای داده های دسته‌بندی شده و دسته‌بندی نشده اعمال شده و در سطح بالایی در برابر اتیکت‌های مفقودی و تاخیری مقاوم می‌باشد. علاوه بر این، شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN) دارای قابلیت بازسازی بوده، بنابراین کاملا مستقل از تعداد اولیه خوشه‌ها می‌باشد.برای ارزیابی الگوریتم‌های مورد نظر، به مقایسه عملی در مورد داده‌های تحقیق و داده‌های حقیقی در تشخیص کلاهبرداری و تشخیص نفوذ شبکه پرداختیم. نتایج اثبات می‌کند که هر دو مورد ICLN و SICLN به بایگانی عملکرد بالا می‌پردازند، و SICLN در الگوریتم‌های خوشه‌بندی غیرنظارتی سنتی عملکرد بهتری دارد.

چکیده انگلیسی

In this research, we propose two new clustering algorithms, the improved competitive learning network (ICLN) and the supervised improved competitive learning network (SICLN), for fraud detection and network intrusion detection. The ICLN is an unsupervised clustering algorithm, which applies new rules to the standard competitive learning neural network (SCLN). The network neurons in the ICLN are trained to represent the center of the data by a new reward-punishment update rule. This new update rule overcomes the instability of the SCLN. The SICLN is a supervised version of the ICLN. In the SICLN, the new supervised update rule uses the data labels to guide the training process to achieve a better clustering result. The SICLN can be applied to both labeled and unlabeled data and is highly tolerant to missing or delay labels. Furthermore, the SICLN is capable to reconstruct itself, thus is completely independent from the initial number of clusters.To assess the proposed algorithms, we have performed experimental comparisons on both research data and real-world data in fraud detection and network intrusion detection. The results demonstrate that both the ICLN and the SICLN achieve high performance, and the SICLN outperforms traditional unsupervised clustering algorithms

مشخصات استنادی

Lei, J. Z., & Ghorbani, A. A. (2012). Improved competitive learning neural networks for network intrusion and fraud detection. Neurocomputing, 75(1), 135-145

دانلود اصل مقاله

ویژگی‌های مقاله شبکه های عصبی آموزشی رقابتی پیشرفته در مورد تشخیص نفوذ در شبکه و شناسایی کلاهبرداری

مقاله “شبکه های عصبی آموزشی رقابتی پیشرفته در مورد تشخیص نفوذ در شبکه و شناسایی کلاهبرداری” در سال ۲۰۱۲ در مجله Neurocomputing چاپ شده و در پایگاه اطلاعاتی الزویر نمایه شده است. این مقاله به بررسی الگوریتم خوشه‌بندی، شبکه آموزشی رقابتی پیشرفته (ICLN)، شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN) و شبکه‌های عصبی آموزشی رقابتی استاندارد (SCLN) پرداخته است. همچنین براساس اطلاعات پایگاه اطلاعاتی گوگل اسکولار این مقاله ۱۸ بار مورد استناد قرار گرفته است.