Presently, trend of many malwares f

Presently, trend of many malwares focuses on network end-point with diverse behaviors. In this paper, we present techniques to detect and classify many types of internet worm at network end-point by using data mining approaches which are Bayesian network, C4.5 Decision tree and Random forest. We use port and protocol profiles to train and test our detection models. Our results show that the detection rates of classification and detection known worms are at least 98.5% while the unknown worm detection rate is about 97% with Decision tree and Random forest, and 80% with Bayesian network.

ผลลัพธ์ (ไทย) 1:

ปัจจุบัน แนวโน้มของ malwares หลายเน้นเลือกเครือข่ายที่มีพฤติกรรมที่หลากหลาย ในเอกสารนี้ เรานำเทคนิคการตรวจสอบ และจำแนกชนิดต่าง ๆ ของหนอนอินเทอร์เน็ตที่เครือข่ายการวิโดยวิธีเหมืองข้อมูลทฤษฎีเครือข่าย ต้นไม้ตัดสินใจ C4.5 และป่าสุ่ม เราใช้ส่วนกำหนดค่าพอร์ตและโพรโทคอล การฝึกทดสอบตรวจหารุ่นของเรา ผลของเราแสดงว่า ราคาตรวจสอบประเภทและตรวจสอบที่เรียกว่าหนอนมีน้อย 98.5% ในขณะหนอนไม่รู้จักตรวจสอบอัตรา ประมาณ 97% สุ่มป่าและต้นไม้การตัดสินใจ และ 80% กับทฤษฎีเครือข่าย

ผลลัพธ์ (ไทย) 2:

ปัจจุบันแนวโน้มของมัลแวร์จำนวนมากมุ่งเน้นไปที่เครือข่ายจุดสิ้นสุดที่มีพฤติกรรมที่มีความหลากหลาย ในบทความนี้เราจะนำเสนอเทคนิคในการตรวจสอบและแยกประเภทหลายชนิดของหนอนอินเทอร์เน็ตเครือข่ายจุดสิ้นสุดโดยใช้วิธีการทำเหมืองข้อมูลซึ่งเป็นเครือข่ายแบบเบย์ต้นไม้ตัดสินใจ C4.5 และป่าไม้สุ่ม เราใช้พอร์ตและโพรโทคอลในการฝึกอบรมและการทดสอบการตรวจสอบรูปแบบของเรา ผลของเราแสดงให้เห็นว่าอัตราการตรวจจับการจัดหมวดหมู่และการตรวจสอบเวิร์มที่รู้จักกันอย่างน้อย 98.5% ในขณะที่อัตราการตรวจจับหนอนไม่ทราบเป็นเรื่องเกี่ยวกับ 97% กับการตัดสินใจต้นไม้และป่าไม้สุ่มและ 80% ที่มีเครือข่ายแบบเบย์

ผลลัพธ์ (ไทย) 3:

ปัจจุบันแนวโน้มของหลายเครือข่ายมัลแวร์เน้นความหมาย : ที่มีพฤติกรรมหลากหลาย ในกระดาษนี้เราเสนอเทคนิคเพื่อตรวจหาและจำแนกชนิดของหนอนอินเทอร์เน็ตที่หลายความหมาย : เครือข่ายโดยใช้วิธีเหมืองข้อมูลที่คชกรรมเครือข่าย โปรแกรม C4.5 การตัดสินใจแบบต้นไม้ และป่าไม้ เราใช้พอร์ตและโพรไฟล์โปรโตคอลการฝึกอบรมและทดสอบแบบจำลองการตรวจสอบของเราผลของเราแสดงให้เห็นว่าการตรวจสอบอัตราการตรวจสอบและหนอนที่รู้จักกันเป็นอย่างน้อย 98.5 % ในขณะที่หนอนที่ไม่รู้จักตรวจสอบอัตราประมาณ 97% กับการตัดสินใจแบบต้นไม้และป่าไม้ และ 80% กับคชกรรมเครือข่าย