Different number of neurons was tes

Different number of neurons was tested to find the best
performed network. We obtained sample results by looking
at the output of the classifier applied to the trained data and
noticed that all normal traffic was clustered between a
specified range and the suspicious traffic was outside this
cluster indicating a possible attack. When we were confident
about the results, the trained network was evaluated by
subjecting it to the test data. Therefore, the main assumptions
considered for implementing the SOM neural network were
as follows: number of epochs = 1000, number of neurons =
25, neighbours topology = Hextop, distance function =
Linkdist, ordering phase learning rate = 0.9, ordering phase
Network
Data
Our proposed system
Statistical
Preprocessor
Machine
learning engine
Training
Detection
Model
Identificatio
n and
classification
of DoS
attacks
Fig. 1. System Architecture
     
x
xvivinv
2
Proceedings of the World Congress on Engineering 2010 Vol I
WCE 2010, June 30 - July 2, 2010, London, U.K.
ISBN: 978-988-17012-9-9
ISSN: 2078-0958 (Print); ISSN: 2078-0966 (Online)
WCE 2010
steps = 1000, tuning phase learning rate = 0.02, and tuning
phase neighbour distance = 1.
D. Support vector machines
SVM is another learning and soft computing technique
that recently applied to IDSs. The basic SVM algorithm was
designed for classification of objects into two classes [7], but
many real world problems deal with more than two classes.
In our experiments the one-against-all scheme is
implemented to overcome this problem. It constructs three
binary SVM classifiers, each of which separates one class
from all the rest. Theith SVM is trained using a training set of
positive labels (+1) for ith class and negative labels (-1) for
all the others. Finally, a sample in our testing data is classified
in class, i, which has the maximum value between all three
classifiers.
During the training phase, a proper function with the
corresponding parametersshould be provided. This will be a
time consuming process because the machine is trained with
different kernel parameters and only the one which is the best
performed will be selected for the testing process.
Support vector machines with three radial kernels with
gamma = 1.5, 10, and 5, and the optimal regularization
parameter C = 100, 1, and 1000000, were used for
implementing three classifiers.The Radial basis kernel
equation is as follows:

Kết quả (Việt) 1:

Số khác của tế bào thần kinh đã được thử nghiệm để tìm tốt nhất thực hiện mạng. Chúng tôi thu được kết quả mẫu bằng cách tìm kiếm lúc đầu ra loại áp dụng cho các dữ liệu được đào tạo và nhận thấy rằng tất cả lưu lượng truy cập bình thường được tập trung giữa một xác định phạm vi và lưu lượng truy cập đáng ngờ là bên ngoài đây cụm sao chỉ ra một cuộc tấn công có thể. Khi chúng tôi đã tự tin về kết quả, được đào tạo mạng được đánh giá subjecting nó để kiểm tra dữ liệu. Vì vậy, các giả định chính xem xét việc thực hiện các mạng nơ-ron SOM như sau: số kỷ nguyên = 1000, số lượng tế bào thần kinh = 25, hàng xóm topo = Hextop, hàm khoảng cách = Linkdist, thứ tự pha học tỷ lệ = 0,9, thứ tự pha Mạng lưới Dữ liệu Hệ thống đề xuất của chúng tôi Thống kê Preprocessor Máy công cụ học tập Đào tạo Phát hiện Mô hình Identification và phân loại DOS cuộc tấn côngHình 1. Kiến trúc hệ thống      xxvivinv2Thủ tục tố tụng của Đại hội thế giới về kỹ thuật 2010 Vol tôi WCE 2010, 30 tháng 6 - 2 tháng 7 năm 2010, Luân Đôn, Vương Quốc AnhISBN: 978-988-17012-9-9 ISSN: 2078-0958 (in); ISSN: 2078-0966 (trực tuyến)WCE 2010bước = 1000, điều chỉnh giai đoạn học tỷ lệ = 0,02, và điều chỉnh giai đoạn giáp khoảng cách = 1. D. máy vectơ hỗ trợ SVM là khác học tập và mềm máy tính kỹ thuật đó mới áp dụng cho IDSs. Các thuật toán cơ bản SVM là được thiết kế để phân loại các đối tượng thành hai lớp [7], nhưng nhiều vấn đề thế giới thực đối phó với nhiều hơn hai lớp. Trong các thí nghiệm của chúng tôi chương trình một chống lại tất cả là thực hiện để khắc phục vấn đề này. Nó xây dựng ba Máy phân loại nhị phân SVM, mỗi trong số đó chia tách lớp Tất cả phần còn lại. Theith SVM được huấn luyện bằng cách sử dụng một bộ đào tạo tích cực nhãn (+ 1) cho các lớp học thứ i và phủ định nhãn (-1) cho Tất cả những người khác. Cuối cùng, một mẫu dữ liệu thử nghiệm của chúng tôi được phân loại trong lớp, tôi, mà có giá trị tối đa giữa các tất cả ba Máy phân loại. Trong giai đoạn đào tạo thích hợp một chức năng với các tương ứng với parametersshould được cung cấp. Đây sẽ là một thời gian xử lý vì máy được huấn luyện với tham số hạt nhân khác nhau và chỉ có một mà là tốt nhất thực hiện sẽ được lựa chọn cho quá trình thử nghiệm. Máy vectơ hỗ trợ với 3 bố trí hình tròn hạt với Gamma = 1,5, 10, và 5 và regularization tối ưu tham số C = 100, 1 và 1000000, được sử dụng cho Máy phân loại ba triển khai thực hiện. Bố trí hình tròn cơ sở hạt nhân phương trình là như sau:

Kết quả (Việt) 2:

Số khác nhau của tế bào thần kinh đã được thử nghiệm để tìm tốt nhất
mạng thực hiện. Chúng tôi thu được kết quả mẫu bằng cách nhìn
ở đầu ra của bộ phân loại áp dụng cho các dữ liệu đào tạo và
nhận thấy rằng tất cả lưu lượng bình thường được nhóm lại giữa một
loạt các quy định và lưu lượng đáng ngờ là bên ngoài này
cụm chỉ ra một cuộc tấn công có thể. Khi chúng tôi tự tin
về kết quả, mạng lưới đào tạo được đánh giá bởi
phải chịu nó vào dữ liệu thử nghiệm. Do đó, các giả định chính
xem xét cho triển khai mạng SOM thần kinh là
như sau: số lượng kỷ nguyên = 1000, số lượng tế bào thần kinh =
25, hàng xóm topo = Hextop, hàm khoảng cách =
Linkdist, đặt tốc độ học tập giai đoạn = 0,9, đặt hàng các giai đoạn
mạng
dữ liệu
của chúng tôi hệ thống đề xuất
thống kê
Preprocessor
máy
động cơ học tập
Đào tạo
Phát hiện
mẫu
Identificatio
n và
phân loại
của DoS
tấn công
hình. 1. Kiến trúc hệ thống
     
x
xvivinv
2
Kỷ yếu của Hội nghị thế giới về kỹ thuật 2010 Vol tôi
WCE 2010, 30 Tháng Sáu-2 tháng 7, 2010, London, Vương quốc Anh
ISBN: 978-988-17012-9- 9
ISSN: 2078-0958 (Print); ISSN: 2078-0966 (Online)
WCE 2010
bước = 1000, giai đoạn điều chỉnh học tỷ lệ = 0.02, và điều chỉnh
giai đoạn xóm khoảng cách = 1.
D. Hỗ trợ máy vector
SVM là một kỹ thuật học tập và tính toán mềm
mà gần đây áp dụng cho IDS. Các thuật toán SVM cơ bản được
thiết kế cho phân loại các đối tượng thành hai lớp học [7], nhưng
nhiều vấn đề thế giới thực đối phó với hơn hai lớp.
Trong thí nghiệm của chúng tôi chương trình một-đối-tất cả được
thực hiện để khắc phục vấn đề này. Nó xây dựng ba
phân loại SVM nhị phân, mỗi tách một lớp học
từ tất cả các phần còn lại. Theith SVM được huấn luyện cách sử dụng một tập huấn luyện của
nhãn dương (1) cho lớp thứ i và nhãn âm (-1) đối với
tất cả những người khác. Cuối cùng, một mẫu trong dữ liệu thử nghiệm của chúng tôi được phân loại
trong lớp, tôi, trong đó có giá trị tối đa giữa cả ba
phân loại.
Trong giai đoạn đào tạo, một chức năng phù hợp với các
parametersshould tương ứng được cung cấp. Đây sẽ là một
quá trình tốn thời gian vì máy được đào tạo với
các tham số nhân khác nhau và chỉ có một mà là tốt nhất
thực hiện sẽ được lựa chọn cho quá trình thử nghiệm.
Hỗ trợ máy vector với ba hạt nhân xuyên tâm với
gamma = 1.5, 10, và 5, và các quy tắc tối ưu
tham số C = 100, 1, và 1000000, được sử dụng để
thực hiện ba cơ sở hạt nhân classifiers.The Radial
phương trình như sau: