چکیده فارسی‌:

افتراق فعالیت شبکه غیر عادی از ترافیک شبکه نرمال دشوار و خسته کننده است. تحلیلگر انسان باید در سرتاسر مقادیر زیادی از داده برای پیدا کردن توالی غیر عادی از اتصالات شبکه جستجو نماید. برای حمایت از کار تحلیلگر، ما یک برنامه ایجاد کردیم که باعث افزایش دامنه دانش بوسیله تکنیک های یادگیری ماشین برای ایجاد قوانین برای سیستم خبره تشخیص نفوذ می گردد. ما از الگوریتم ژنتیک و درخت های تصمیم گیری به صورت خودکار برای تولید قوانین برای طبقه بندی اتصالات شبکه استفاده کردیم. این مقاله روش فراگیری ماشین و کاربردهای مورد از این روش را توصیف می کند.

چکیده انگلیسی:

Differentiating anomalous network activity from normal network traffic is difficult and tedious. A human analyst must search through vast amounts of data to find anomalous sequences of network connections. To support the analyst’s job, we built an application which enhances domain knowledge with machine learning techniques to create rules for an intrusion detection expert system. We employ genetic algorithms and decision trees to automatically generate rules for classifying network connections. This paper describes the machine learning methodology and the applications employing this methodology.