Key points are not available for this paper at this time.
تعتبر تقنية كشف التسلل نهجًا فعالًا للتعامل مع مشاكل الهجمات الخبيثة على الشبكات الحاسوبية. في هذه الورقة، نقدم نموذج كشف التسلل استنادًا إلى مجموعة من المصنفات مثل AdaBoost وMultiBoosting وBagging لاستغلال المزيد من الفرص لتدريب العينات التي تم تصنيفها بشكل خاطئ وتقليل معدل الخطأ من خلال تصويت الأغلبية للمصنفات المعنية. هدفنا الرئيسي هو بناء نموذج كشف تسلل فعال يعتمد على معدل الخطأ للمصنفات إذا كانت هناك توزيع غير عادل سواء داخل مجموعات البيانات أو بينها. نستخدم بيانات من مسابقة أدوات اكتشاف المعرفة الدولية الثالثة واستخراج البيانات (KDDCup'99) لتدريب واختبار جدوى النموذج المقترح. من نتائج تجربتنا مع مجموعة بيانات KDDCUP'99 المرجعية، يتفوق مجموعة المصنفات المقترحة مع شجرة REP كمصنف أساسي على الآخرين في بناء نموذج كشف التسلل الشبكي بمعدل كشف مرتفع، ومعدل خطأ إجمالي منخفض مع معدل إيجابي زائف منخفض.
قام باندا وآخرون (جمعة) بدراسة هذا السؤال.