مقاله انگلیسی ترجمه شده کامپیوتر : شبکه های عصبی آموزشی رقابتی پیشرفته در مورد تشخیص نفوذ در شبکه و شناسایی کلاهبرداری

دسته بندی:

قیمت: 100,000 ریال

تعداد نمایش: 52 نمایش

ارسال توسط:

خرید این محصول:

پس از پرداخت لینک دانلود برای شما نمایش داده می شود.

سال نشر: ۲۰۱۳

تعداد صفحه انگلیسی:۱۱

تعداد صفحه ترجمه فارسی:       ۳۲  صفحه word

(دانلود رایگان مقاله انگلیسی)

کد محصول:CM36

عنوان فارسی:

مقاله انگلیسی ترجمه شده کامپیوتر : شبکه های عصبی آموزشی رقابتی پیشرفته در مورد تشخیص نفوذ در شبکه و شناسایی کلاهبرداری

 

عنوان انگلیسی:

Improved competitive learning neural networks for network intrusion and fraud detection

 

چکیده فارسی:

در این پژوهش، دو الگوریتم خوشه بندی جدید را معرفی می کنیم. شبکه اموزشی رقابتی پیشرفته (ICLN) و شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN) که در زمینه تشخیص کلاهبرداری و تشخیص نفوذ شبکه در می باشند. شبکه اموزشی 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 استانداردSCLN)  ) 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 یشرفته 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 یشرفته 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.

کلیدواژه: آموزش رقابتی، شناسایی کلاهبرداری، شناسایی نفوذ، خوشه بندی نظارتی/ غیر نظارتی، شبکه عصبی

  1. مقدمه

تشخیص کلاهبرداری و تشخیص نفوذ در شبکه در کسب و کار تجارت الکترونیک بسیار مهم می باشد. بر طبق به گزارش های تجارت الکترونیک فروش اداره سرشماری ایالات متحده، تجارت الکترونیک در امریکای شمالی دارای رشد ۲۰% یا بیشتر در هر سال می باشد. به هر حال کلاهبرداری در شرکت های تجارت الکترونیک ایالات متحده و کانادا منجر به هزینه تلفات زیادی شده است. با توجه به رشد اخیر در تجارت الکترونیک، کلاه برداری در زمینه کارت های اعتباری بسیار رایج شده است. بر مبنای نتایج بررسی در سال ۲۰۰۹، به طور متوسط، ۱٫۶% از سفارشات بر مبنای کلاه برداری بوده، که حدود ۳٫۳ میلیارد دلار می باشد. علاوه بر ضررهای مستقیمی که از طریق فروش های کلاهبرداری انجام شده است، اعتماد قربانیان کلاهبرداری در زمینه کارت های اعتباری و شرکت خرده فروش کمتر شده، که در نتیجه ضرر ها نیز افزایش یافته است. هدف شرکت ها و صادر کنندگان کارت های اعتباری این است تا هر چه زودتر به افشا یا جلوگیری از کلاه برداری بپردازند. از طرف دیگر نفوذ به شبکه، از پشت به شرکت های تجارت الکترونیک ضربه می زند. زمان وقفه سرورهای وب یا نفوذ به اطلاعات یا کسب و کار مشتری منجر به ضررهای زیادی می گردد.

هر دو زاویه مربوط به تشخیص کلاهبرداری کارت های اعتباری و شناسایی نفوذ به شبکه چالش های زیر را در زمینه داده کاوی مطرح می کند:

– میلیون ها تراکنش در روز انجام می گیرد. بررسی این ججم زیاد داده نیازمند تکنیک هایی با بازده بالا می باشد.

– داده ها در سطح بالایی دارای چولگی می باشند. رویدادهای خوب بسیار زیادی نسبت به موارد بد آن وجود دارد. تکنیک های داده کاوی مبتنی بر دقت معمول می توانند ردیاب های دقیق سطح بالایی را تنها با پیش بینی تراکنش های قانونی آشکار کنند اما این ردیاب ها نمی توانند اصلا کلاهبرداری را شناسایی کنند.

– دسته بندی داده ها فورا در دسترس نمی باشد. معمولا کلاهبرداری و نفوذ بعد از اینکه روی می دهند شناسایی می گردد.

– ردیابی رفتار کاربر مشکل می باشد. تمام کاربران ( کاربران خوب، کسب و کار، متقلبان) اغلب رفتار خود را تغییر می دهند. کشف الگوهای متغیر و جدید دارای اهمیت یکسانی با تشخیص الگوهای قدیمی می باشد.

در این پژوهش، دو الگوریتم خوشه بندی جدید را برای شناسایی کلاهبرداری و شناسایی نفوذ در شبکه مطرح می کنیم: شبکه آموزشی رقابتی پیشرفته (ICLN)، و شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN). شبکه آموزشی رقابتی پیشرفته (ICLN)، الگوریتم خوشه بندی غیرنظارتی می باشد که از شبکه آموزش رقابتی استاندارد (SCLN) ایجاد شده است. شبکه آموزش رقابتی استاندارد (SCLN) الگوریتم خوشه بندی نظارتی می باشد که از شبکه آموزشی رقابتی پیشرفته (ICLN) حاصل می گردد. هدف ما توسعه تکنیک های اموزش ماشینی پیشرفته می باشد تا چالش های عملی در زمینه شناسایی نفوذ در شبکه و شناسایی کلاهبرداری حل شود.

شکل ۱ نمونه ای از فرایند کلاهبرداری می باشد. اگر اطلاعات کارت اعتباری دارنده ان دزدیده شود و برای خرید انلاین مورد استفاده قرار گیرد، چند روز طول می کشد که تراکنش بر روی صورت وضعیت کارت اعتباری آشکار شده، و چند روز و چند ماه برای دارنده اصلی کارت به طول می انجامد تا اطلاع پیدا کرده و ان را به بانک گزارش دهد. همچنین چند روز برای بانک طول می کشد تا به شرکت خرده فروش اطلاع دهد.

پاسخ دهید