In this paper, we propose technique

In this paper, we propose techniques to detect and classify internet worm by using data mining approaches without feature extraction [4]. We consider source ports and destination ports as well as some protocols that worm attempts to propagate [2]. Source and destination ports and protocols of normal and worm behavior are trained on data mining models. Moreover, known worm and unknown worm are classified by these models with high detection rate and low false alarm rate. Our detection approach focuses on detection at the network end point with detection rate over 99% and false alarm rate around 1% on known worm and over 94% detection rate with false alarm rate close to 0% on unknown worm without feature extraction and K-L divergence.

ผลลัพธ์ (ไทย) 1:

ในเอกสารนี้ เราเสนอเทคนิคการตรวจสอบ และจัดประเภทหนอนอินเทอร์เน็ต โดยใช้วิธีการทำเหมืองข้อมูล โดยแยกลักษณะการทำงาน [4] เราพิจารณาพอร์ตต้นทาง และปลายทางพอร์ต ตลอดจนบางโพรโทคอที่หนอนพยายามเผยแพร่ [2] ต้นทางและปลายทางพอร์ต และโปรโตคอลของปกติ และลักษณะหนอนมีการฝึกอบรมในรูปแบบการทำเหมืองข้อมูล นอกจากนี้ รู้จักหนอนและหนอนไม่ทราบประเภทโมเดลเหล่านี้มีอัตราการตรวจจับสูงและอัตราต่ำสุดที่เตือน วิธีการตรวจสอบของเราเน้นการตรวจสอบที่จุดสิ้นสุดเครือข่ายกว่า 99% อัตราการตรวจจับและเตือนอัตราประมาณ 1% ในหนอนรู้จัก และกว่า 94% ตรวจสอบราคากับอัตราเตือนใกล้ 0% บนหนอนไม่รู้จักโดยการสกัดคุณลักษณะ divergence K-L

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เรานำเสนอเทคนิคในการตรวจสอบและแยกประเภทหนอนอินเทอร์เน็ตโดยใช้วิธีการทำเหมืองข้อมูลโดยไม่ต้องดึง [4] เราพิจารณาแหล่งพอร์ตและพอร์ตปลายทางเช่นเดียวกับโปรโตคอลบางอย่างที่หนอนพยายามที่จะเผยแพร่ [2] แหล่งที่มาและปลายทางพอร์ตและโปรโตคอลปกติและพฤติกรรมของหนอนมีการฝึกอบรมในรูปแบบการทำเหมืองข้อมูล นอกจากนี้หนอนที่รู้จักและไม่รู้จักหนอนแยกตามรูปแบบเหล่านี้มีอัตราการตรวจจับสูงและอัตราการเตือนที่ผิดพลาดต่ำ วิธีการตรวจสอบของเรามุ่งเน้นไปที่การตรวจสอบที่จุดปลายเครือข่ายที่มีอัตราการตรวจจับกว่า 99% และอัตราการเตือนที่ผิดพลาดประมาณ 1% ในหนอนที่รู้จักกันและมากกว่าอัตราการตรวจจับ 94% มีอัตราการเตือนที่ผิดพลาดใกล้ 0% ในหนอนที่ไม่รู้จักโดยไม่ต้องดึงความสามารถและความแตกต่าง KL .

ผลลัพธ์ (ไทย) 3:

ในบทความนี้เรานำเสนอเทคนิค การตรวจสอบและแยกประเภทหนอนอินเทอร์เน็ตโดยโดยวิธีการทำเหมืองข้อมูล โดยไม่มีการสกัด [ 4 ] เราพิจารณาพอร์ตแหล่งที่มาและพอร์ตปลายทางรวมทั้งบางโปรโตคอลที่หนอนพยายามเผยแพร่ [ 2 ] แหล่งที่มาและปลายทางพอร์ตและโปรโตคอลของพฤติกรรมปกติและหนอนมีการฝึกอบรมในรูปแบบของการทำเหมืองข้อมูล นอกจากนี้หนอนหนอนที่รู้จักและจำแนกตามรูปแบบเหล่านี้มีอัตราการตรวจจับสูงและอัตราการเตือนที่ผิดพลาดน้อย การตรวจสอบวิธีการของเรามุ่งเน้นในการตรวจสอบที่จุดปลายเครือข่ายที่มีคะแนนมากกว่า 99% และอัตราปลุกเท็จประมาณ 1% ในรู้จักหนอนและมากกว่า 94 อัตราการด้วย % ใกล้ 0 คะแนนผิดพลาดในหนอนที่ไม่รู้จักโดยการสกัดคุณลักษณะและ K-L ความแตกต่างการตรวจหา