INTRUSION DETECTION MIT MERKMALSAUSWAHL UND HYBRIDISIERTER Buchkatalog

Heutzutage ist es sehr wichtig, ein hohes Maß an Sicherheit zu gewährleisten, um eine sichere und vertrauenswürdige Kommunikation von Informationen zwischen verschiedenen Organisationen zu gewährleisten. Es ist unbestreitbar, dass eine breite Palette von Sicherheitstechnologien wie Informationsverschlüsselung, Zugriffskontrolle und Intrusion Prevention verwendet werden, um netzwerkbasierte Systeme zu schützen, aber es gibt immer noch viele unentdeckte Eindringlinge.Dieses Projekt präsentiert einen Überblick über Intrusion Detection und einen hybriden Klassifizierungsalgorithmus, der auf Naive Baye und K Nearest Neighbour basiert. Der Datensatz wird zunächst zur Klassifizierung durch den Naïve Baye geleitet, wobei die prioren und bedingten Wahrscheinlichkeiten für jedes Beispiel im Datensatz erzeugt werden. Wenn es eine Fehlklassifizierung gibt, wird das Beispiel an KNN weitergeleitet, das dann die Nachbarschaft des Beispiels bewertet und die resultierenden Beispiele werden mit der Ähnlichkeit jedes Nachbarn des Beispiels gewichtet. Wenn Sim(X, Dj) gleich 1 ist, dann ist X normal, andernfalls findet der Algorithmus die K größten Sim(X, Dj) und prüft sie gegen ein Stoppkriterium (Schwellenwert). Wenn es größer ist, dann wird X als normal klassifiziert, sonst ist X Klasse.