Artificial Neural Networks.’ An art

Artificial Neural Networks.’ An artificial neural network (ANN) is a computational model that is inspired by the structure and functional aspects of biological neural networks. Feed forward Back propagation networks have been used primarily in host based anomaly detection [Ghosh et al 1999] [Ghosh et al 2000]. In [Zheng et a1 2001] several types of neural networks were applied to network anomaly detection and tested individually. The authors experimented with Perceptron, Backpropagation (BP), Perceptron- backpropagation-hybrid , Fuzzy ARTMAP, and Radial-based Function neural networks. Their approach was particularly effective at detecting UDP flood attacks. An ANN approach that has been commonly used in network anomaly detection is based on the Self-organizing map. The Self organizing map converts non-linear relationships between data points in high-dimensional space into geometrical relationships between points in two dimensional space [Kohonen 1982]. [Rhodes et al 2000] used SOMs for network anomaly detection. In this approach input vectors were mapped to regions of the map and then categorized both on which region they were assigned, and how well they fit that region. Individual specialist maps were trained to recognize anomalies in specific protocols. [Ramadas et al 2003] proposed ANDSOM as an anomaly detection module for the INBOUNDS intrusion detection system [Tjaden et a1

2000]. AND SOM modeled traffic in six dimensions and was particularly effective against buffer overflow attacks. [Kayacik et al 2003] and [Sarasamma et al 2005] proposed using a fixed hierarchy of self organizing maps. In [Kayacik et al 2003] three layers were employed. The first layer was associated basic TCP features. The second layer was used to classify connections clustered by the first layer. The third layer was used to further process connections for those neurons, which win for both attack and normal behaviors in the second layer. [Sarasamma et al 2005] proposed a fixed hierarchal model where each layer in the map was trained to cluster different features of a connection. Test connections are only fed to subsequent layers if they are classified by low accuracy clusters in parent maps.

Kết quả (Việt) 1:

Mạng nơ-ron nhân tạo.' Một mạng nơ-ron nhân tạo (ANN) là một mô hình tính toán lấy cảm hứng từ các cấu trúc và chức năng các khía cạnh của sinh học mạng nơ-ron. Nguồn cấp dữ liệu chuyển tiếp sau tuyên truyền mạng đã được sử dụng chủ yếu trong các máy chủ lưu trữ dựa trên phát hiện bất thường [Ghosh et al 1999] [Ghosh et al 2000]. Trong [Zheng et a1 2001] một số loại của mạng nơ-ron đã được áp dụng cho mạng bất thường phát hiện và kiểm tra cá nhân. Các tác giả đã thử nghiệm với Perceptron, Backpropagation (BP), Perceptron backpropagation lai, mờ ARTMAP, và bố trí hình tròn dựa trên chức năng mạng nơ-ron. Cách tiếp cận của họ là đặc biệt hiệu quả tại phát hiện UDP lũ tấn công. Một cách tiếp cận ANN đã được sử dụng phổ biến trong mạng bất thường phát hiện dựa trên bản đồ tự tổ chức. Tự tổ chức các bản đồ chuyển đổi phi tuyến mối quan hệ giữa các dữ liệu điểm trong không gian chiều cao vào mối quan hệ hình học giữa điểm trong không gian hai chiều [Kohonen 1982]. [Rhodes et al 2000] sử dụng thực cho các mạng bất thường phát hiện. Trong cách tiếp cận này nhập Vector đã được ánh xạ tới các khu vực của bản đồ và sau đó phân loại cả hai vào vùng mà họ đã được chỉ định, và như thế nào họ phù hợp với khu vực đó. Bản đồ cá nhân chuyên gia được đào tạo để nhận ra các bất thường trong giao thức cụ thể. [Dinh Hanh et al 2003] đề xuất ANDSOM như là một mô-đun phát hiện bất thường cho hệ thống phát hiện xâm nhập mất [Tjaden et a1 2000]. và SOM dựa lưu lượng truy cập trong sáu kích thước, và đặc biệt là có hiệu quả chống lại tấn công tràn bộ đệm. [Kayacik et al 2003] và [Sarasamma et al 2005] đề xuất bằng cách sử dụng một hệ thống phân cấp cố định tự tổ chức các bản đồ. Tại [Kayacik et al 2003] ba lớp được sử dụng. Lớp đầu tiên là kết hợp các tính năng cơ bản của TCP. Lớp thứ hai được sử dụng để phân loại kết nối tập trung bởi lớp đầu tiên. Lớp thứ ba là được sử dụng để tiếp tục quá trình kết nối cho các tế bào thần kinh, mà giành chiến thắng cho cuộc tấn công và các hành vi bình thường trong lớp thứ hai. [Sarasamma et al 2005] đề xuất một mô hình giúp cố định nơi mỗi lớp bản đồ được huấn luyện để cụm các tính năng khác nhau của một kết nối. Kiểm tra kết nối được chỉ ăn cho lớp tiếp theo nếu chúng được phân loại bởi độ chính xác thấp cụm trong phụ huynh maps.

Kết quả (Việt) 2:

Artificial Neural Networks. ' Một mạng lưới thần kinh nhân tạo (ANN) là một mô hình tính toán được lấy cảm hứng từ các cấu trúc và các khía cạnh chức năng của mạng lưới thần kinh sinh học. Ăn về phía trước lại mạng lưới tuyên truyền đã được sử dụng chủ yếu trong các máy chủ dựa trên phát hiện bất thường [Ghosh et al 1999] [Ghosh et al 2000]. Trong [Zheng et a1 2001] một số dạng của mạng lưới thần kinh đã được áp dụng cho các mạng phát hiện bất thường và kiểm tra riêng. Các tác giả đã thử nghiệm với Perceptron, lan truyền ngược (BP), Perceptron- lan truyền ngược lai, ARTMAP mờ, và các mạng thần kinh chức năng Radial dựa trên. Phương pháp của họ là đặc biệt hiệu quả trong việc phát hiện các cuộc tấn công lũ lụt UDP. Một cách tiếp cận ANN đã được thường được sử dụng trong việc phát hiện mạng bất thường dựa trên bản đồ tự tổ chức. Các bản đồ tự tổ chức chuyển đổi mối quan hệ phi tuyến tính giữa các điểm dữ liệu trong không gian chiều cao vào các mối quan hệ hình học giữa các điểm trong không gian hai chiều [Kohonen 1982]. [Rhodes et al 2000] sử dụng SOM cho mạng phát hiện bất thường. Trong cách tiếp cận này vectơ đầu vào đã được ánh xạ tới vùng của bản đồ và sau đó phân loại cả trên khu vực mà họ được chỉ định, và làm thế nào họ phù hợp với khu vực đó. Bản đồ chuyên cá thể được huấn luyện để nhận ra sự bất thường trong các giao thức cụ thể. [Ramadas et al 2003] đề xuất ANDSOM như một module phát hiện bất thường cho INBOUNDS hệ thống phát hiện xâm nhập [Tjaden et a1 2000]. VÀ SOM mô hình giao thông trong sáu yếu tố và đặc biệt hiệu quả chống lại các cuộc tấn công tràn bộ đệm. [Et al Kayacik 2003] và [Sarasamma et al 2005] đề xuất sử dụng một hệ thống phân cấp cố định của bản đồ tự tổ chức. Trong [Kayacik et al 2003] ba lớp được sử dụng. Lớp đầu tiên được kết hợp các tính năng cơ bản TCP. Lớp thứ hai được sử dụng để phân loại các kết nối cụm bởi lớp đầu tiên. Lớp thứ ba được sử dụng để kết nối quá trình thêm cho những tế bào thần kinh, trong đó giành chiến thắng cho cả tấn công và hành vi bình thường trong lớp thứ hai. [Sarasamma et al 2005] đề xuất một mô hình cố định thứ bậc trong đó mỗi lớp trong bản đồ đã được huấn luyện để cụm tính năng khác nhau của một kết nối. Kết nối thử nghiệm được chỉ làm thức ăn cho các lớp tiếp theo nếu họ được phân loại theo cụm độ chính xác thấp trong các bản đồ của phụ huynh.