Key points are not available for this paper at this time.
बहुविधीय नियंत्रण चार्ट कई क्षेत्रों में लागू किए गए हैं। एक ऐसा क्षेत्र जहाँ इस विधि का उपयोग किया जाता है वह है नेटवर्क आक्रमण पहचान। हालाँकि, समस्या तब उत्पन्न होती है जब पारंपरिक नियंत्रण चार्ट सामान्य वितरण का पालन न करने वाले नेटवर्क-ट्रैफ़िक डेटा की निगरानी में कठिनाई महसूस करता है। परिणामस्वरूप, नेटवर्क ट्रैफिक डेटा की जांच करते समय अधिक गलत अलार्म पाए जाएंगे। इस समस्या का समाधान करने के लिए, समर्थन वेक्टर डेटा विवरण (SVDD) का सुझाव दिया गया है। SVDD दूरी पर आधारित नियंत्रण चार्ट गैर-मानक वितरण, यहाँ तक कि अज्ञात वितरण के लिए लागू किया जा सकता है। केरनल घनत्व अनुमान (KDE) एक अप्रमीयण दृष्टिकोण है जो गैर-परमेट्रिक नियंत्रण चार्ट के नियंत्रण सीमा का अनुमान लगाने में लागू किया जा सकता है। इन तथ्यों के आधार पर, नेटवर्क की विसंगतियों की निगरानी के लिए एक बहुविधीय चार्ट जोड़ा गया है जो एकीकृत SVDD और KDE (SVDD-KDE) पर आधारित है। बहुविधीय डेटा शिफ्ट और आउटलेयर का पता लगाने में SVDD-KDE चार्ट के प्रदर्शन की जांच के लिए सिंथेटिक डेटासेट का उपयोग करते हुए सिमुलेशन किया गया है। सिमुलेशन परिणामों के आधार पर, प्रस्तावित विधि शिफ्ट का पता लगाने में बेहतर प्रदर्शन और आउटलेयर का पता लगाने में उच्च सटीकता उत्पन्न करती है। इसके अलावा, प्रस्तावित विधि नेटवर्क हमलों की निगरानी के लिए इंट्रूजन डिटेक्शन सिस्टम (IDS) में लागू की जाती है। NSL-KDD डेटा को बेंचमार्क डेटासेट के रूप में विश्लेषण किया गया है। SVDD-KDE चार्ट और अन्य IDS-आधारित नियंत्रण चार्ट और मशीन लर्निंग एल्गोरिदम के बीच तुलना की जाती है। हालाँकि, इसमें उच्च गणनात्मक लागत है, परिणाम बताते हैं कि SVDD-KDE चार्ट पर आधारित IDS 0.917 की उच्च सटीकता और 0.915 की AUC के साथ कई एल्गोरिदम की तुलना में कम गलत सकारात्मक दर उत्पन्न करता है।
आसन एट अल। (सोम,) ने इस प्रश्न का अध्ययन किया।
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: