Cryptography and Security,Machine Learning,رمزنگاری و امنیت , یادگیری ماشین ,
توضیحات
Submitted 28 August, 2024; originally announced August 2024. , Comments: 16 pages, 3 figures, submitted to Machine Learning for CyberSecurity @ ECML PKDD
توضیحات به فارسی
ارسال شده 28 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 16 صفحه ، 3 شکل ، ارسال شده به یادگیری ماشین برای امنیت سایبری @ ECML PKDD
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
The detection of cyber-attacks in computer networks is a crucial and ongoing research challenge. Machine learning-based attack classification offers a promising solution, as these models can be continuously updated with new data, enhancing the effectiveness of network intrusion detection systems (NIDS). Unlike binary classification models that simply indicate the presence of an attack, multi-class models can identify specific types of attacks, allowing for more targeted and effective incident responses. However, a significant drawback of these classification models is their sensitivity to imbalanced training data. Recent advances suggest that generative models can assist in data augmentation, claiming to offer superior solutions for imbalanced datasets. Classical balancing methods, although less novel, also provide potential remedies for this issue. Despite these claims, a comprehensive comparison of these methods within the NIDS domain is lacking. Most existing studies focus narrowly on individual methods, making it difficult to compare results due to varying experimental setups. To close this gap, we designed a systematic framework to compare classical and generative resampling methods for class balancing across multiple popular classification models in the NIDS domain, evaluated on several NIDS benchmark datasets. Our experiments indicate that resampling methods for balancing training data do not reliably improve classification performance. Although some instances show performance improvements, the majority of results indicate decreased performance, with no consistent trend in favor of a specific resampling technique enhancing a particular classifier.
چکیده به فارسی (ترجمه ماشینی)
تشخیص حملات سایبری در شبکه های رایانه ای یک چالش تحقیقاتی مهم و مداوم است.طبقه بندی حمله مبتنی بر یادگیری ماشین یک راه حل امیدوارکننده را ارائه می دهد ، زیرا این مدل ها می توانند به طور مداوم با داده های جدید به روز شوند و باعث افزایش اثربخشی سیستم های تشخیص نفوذ شبکه (NIDS) می شوند.بر خلاف مدل های طبقه بندی باینری که به سادگی وجود حمله را نشان می دهد ، مدل های چند طبقه می توانند انواع خاصی از حملات را شناسایی کنند و امکان پاسخ های حادثه ای هدفمندتر و مؤثرتر را فراهم می کنند.با این حال ، یک اشکال قابل توجه از این مدل های طبقه بندی حساسیت آنها به داده های آموزش نامتعادل است.پیشرفت های اخیر نشان می دهد که مدلهای تولیدی می توانند در تقویت داده ها کمک کنند و ادعا می کنند راه حل های برتر برای مجموعه داده های نامتعادل ارائه می دهند.روشهای تعادل کلاسیک ، گرچه کمتری جدید است ، اما همچنین داروهای بالقوه برای این موضوع ارائه می دهد.با وجود این ادعاها ، مقایسه جامع این روشها در دامنه NIDS وجود ندارد.بیشتر مطالعات موجود به روشهای فردی کاملاً متمرکز شده و مقایسه نتایج به دلیل متفاوت بودن مجموعه های آزمایشی را دشوار می کند.برای بستن این شکاف ، ما یک چارچوب سیستماتیک را برای مقایسه روش های تغییر شکل کلاسیک و مولد برای تعادل کلاس در چندین مدل طبقه بندی محبوب در دامنه NIDS طراحی کردیم ، که در چندین مجموعه داده معیار NIDS ارزیابی شده است.آزمایشات ما نشان می دهد که روشهای پر کردن مجدد برای تعادل داده های آموزش ، عملکرد طبقه بندی را به طور قابل اطمینان بهبود نمی بخشد.اگرچه برخی از موارد بهبود عملکرد را نشان می دهند ، اکثر نتایج حاکی از کاهش عملکرد است ، بدون اینکه روند مداوم به نفع یک تکنیک تغییر شکل مجدد خاص یک طبقه بندی کننده خاص باشد.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
