a) Frequent Pattern MiningThe most

a) Frequent Pattern Mining
The most significant feature of frequent pattern mmmg
algorithm (such as, FP-Tree algorithm [12]) is to compress
the large database to the compact tree structure (FP-tree) and
quickly mine the set of frequency patterns without the need
of generating the candidate items, since it avoids the repeated
database scanning. It mainly consists of InserCTree
generation algorithm and FP _Growth frequency pattern
mining algorithm. The correlation rules among the attributes
of events can be mined from the set of security alert events
by using FP-Tree algorithm and setting the minimal
supporting threshold value min_sup .
b) Sequential Pattern Mining
WINEPI algorithm [13] is used in sequential pattern
mining to discover the sequential relationship among
security alert events. Firstly, the set of frequent events is
extracted from the set of security alert events with specific
type within the given slide window, and the set of candidate
frequent episode patterns is generated with shorter length.
Secondly, the frequent episode patterns with larger length are
discovered through iteration. Finally, the sequential
relationships among the episode patterns are discovered
based upon the thresholds of frequency and confidence level,
that is, the sequential relationship among the security alert
events.
c) Pattern Analysis and Learning
Through the analysis of frequent patterns and sequential
patterns found in the above mentioned process of knowledge
discovery, we observed that some frequent patterns are just
statistical phenomena, which are meaningless with respect to
the security situation analysis. On the other hand, there are
some security alert events which have few occurrences, the
regularity are illegible, and the confidence levels of the
generated rules are low, whereas these rules are vital to the
correlation of security situation. To utilize the discovered
knowledge effectively, Prolog-EBG machine learning
algorithm are adopted to properly interpret and analyze the
discovered knowledge by introducing the prior knowledge of
the domain, and the revised and optimized rules are exported
from the set of security alert events generated from the attack
simulations. Through this optimization process, the
confidence levels of the rules are properly evaluated from the

ผลลัพธ์ (ไทย) 1:

) รูปแบบการทำเหมืองแร่ประจำ
คุณลักษณะที่สำคัญของรูปแบบบ่อย mmmg
อัลกอริทึม (เช่น FP-ทรีอัลกอริทึม [12]) คือการ บีบอัด
ฐานข้อมูลขนาดใหญ่โครงสร้างแผนภูมิขนาดกะทัดรัด (FP-ทรี) และ
เหมืองชุดของรูปแบบความถี่โดยไม่ต้องได้อย่างรวดเร็ว
สร้างรายการผู้สมัคร ตั้งแต่นั้นหลีกเลี่ยงการซ้ำ
ฐานข้อมูลการสแกน ส่วนใหญ่ประกอบด้วย InserCTree
ขั้นตอนวิธีการสร้างและรูปแบบความถี่ _Growth FP
อัลกอริทึมการทำเหมือง กฎความสัมพันธ์ระหว่างแอททริบิวต์
เหตุการณ์สามารถถูกขุดจากชุดรักษาความปลอดภัยแจ้งเตือนเหตุการณ์
โดยใช้อัลกอริทึม FP-แผนภูมิ และการตั้งค่าน้อยที่สุด
สนับสนุน min_sup ค่าขีดจำกัดการ
b) ทำเหมืองแร่รูปแบบลำดับ
ใช้อัลกอริทึม WINEPI [13] ในรูปแบบลำดับ
เหมืองเพื่อค้นพบความสัมพันธ์ระหว่างลำดับ
รักษาความปลอดภัยแจ้งเตือนเหตุการณ์ ประการแรก เป็นชุดของเหตุการณ์บ่อย
แยกจากชุดของเหตุการณ์การแจ้งเตือนความปลอดภัยโดยเฉพาะ
ชนิดภายในหน้าต่างกำหนดภาพนิ่ง และชุดของผู้สมัคร
สร้างรูปบ่อย ๆ ตอน มีความยาวสั้น
ประการที่สอง รูปแบบบ่อย ๆ ตอน มีความยาวขนาดใหญ่มี
ค้นพบผ่านการเกิดซ้ำ สุดท้าย ลำดับ
มีการค้นพบความสัมพันธ์ระหว่างรูปแบบตอน
ตามขีดจำกัดของระดับความถี่และความเชื่อมั่น,
คือ ความสัมพันธ์ตามลำดับระหว่างการแจ้งเตือนความปลอดภัย
เหตุการณ์
c) วิเคราะห์รูปแบบและเรียนรู้
ผ่านการวิเคราะห์รูปแบบบ่อย ๆ และตามลำดับ
รูปพบในข้างต้นกล่าวถึงกระบวนการความรู้
ค้นพบ เราพบว่า บางรูปแบบที่พบบ่อยมีเพียง
ปรากฏการณ์ทางสถิติ ซึ่งไม่มี respect การ
วิเคราะห์สถานการณ์ความปลอดภัย บนมืออื่น ๆ มี
เหตุการณ์แจ้งเตือนความปลอดภัยบางอย่างซึ่งมีเพียงไม่กี่ครั้ง
ความจะเลิก และระดับความเชื่อมั่นของ
สร้างกฎมีต่ำ ในขณะที่กฎเหล่านี้มีความสำคัญต่อการ
ความสัมพันธ์ของสถานการณ์ความปลอดภัย ใช้ที่พบ
ความรู้ได้อย่างมีประสิทธิภาพ เรียนรู้ภาษาโปรล็อก EBG เครื่อง
อัลกอริทึมจะนำไปตีความ และวิเคราะห์ได้อย่างถูกต้อง
ค้นพบความรู้ โดยการแนะนำความรู้เดิมของ
โดเมน และกฎการปรับปรุง และเพิ่มประสิทธิภาพกำลังส่ง
จากชุดของเหตุการณ์แจ้งเตือนความปลอดภัยที่สร้างขึ้นจากการโจมตี
จำลอง ผ่านขั้นตอนนี้เพิ่มประสิทธิภาพ การ
ระดับความเชื่อมั่นของกฎจะถูกประเมินจากการ

ผลลัพธ์ (ไทย) 2:

) รูปแบบที่ใช้บ่อยในการทำเหมืองแร่
คุณลักษณะที่สำคัญที่สุดของรูปแบบ MMMG บ่อย
อัลกอริทึม (เช่นอัลกอริทึม FP-ต้นไม้ [12]) คือการบีบอัด
ฐานข้อมูลขนาดใหญ่ไปยังโครงสร้างที่มีขนาดกะทัดรัด (FP-ต้นไม้) และ
ได้อย่างรวดเร็วเหมืองชุดของรูปแบบความถี่ โดยไม่ต้องใช้
ในการสร้างรายการที่ผู้สมัครเพราะมันหลีกเลี่ยงการทำซ้ำ
การสแกนฐานข้อมูล นั้นส่วนใหญ่ประกอบด้วย InserCTree
ขั้นตอนวิธีการสร้างและ FP _Growth ความถี่รูปแบบ
ขั้นตอนวิธีการทำเหมืองแร่ กฎความสัมพันธ์ระหว่างคุณลักษณะ
ของเหตุการณ์ที่สามารถขุดจากชุดของเหตุการณ์การแจ้งเตือนการรักษาความปลอดภัย
โดยใช้อัลกอริทึม FP-ต้นไม้และการตั้งค่าน้อยที่สุด
ค่าเกณฑ์การสนับสนุน min_sup
ข) รูปแบบการทำเหมืองแร่ลำดับ
ขั้นตอนวิธี WINEPI [13] ถูกนำมาใช้ในรูปแบบลำดับ
การทำเหมืองแร่ที่จะ ค้นพบความสัมพันธ์ระหว่างลำดับ
เหตุการณ์การแจ้งเตือนการรักษาความปลอดภัย ประการแรกชุดของเหตุการณ์ที่เกิดขึ้นบ่อยครั้งจะถูก
ดึงออกมาจากชุดของเหตุการณ์การแจ้งเตือนการรักษาความปลอดภัยที่เฉพาะเจาะจงกับ
ชนิดภายในหน้าต่างสไลด์ที่ได้รับและการตั้งค่าของผู้สมัคร
รูปแบบบ่อยครั้งที่จะถูกสร้างขึ้นที่มีความยาวสั้น
ประการที่สองรูปแบบเหตุการณ์ที่เกิดขึ้นบ่อยครั้งที่มีความยาวขนาดใหญ่ที่มี
การค้นพบ ผ่านซ้ำ สุดท้ายลำดับ
ความสัมพันธ์ระหว่างรูปแบบเหตุการณ์ที่เกิดขึ้นมีการค้นพบ
ตามเกณฑ์ของความถี่และระดับความเชื่อมั่นที่
ว่าเป็นความสัมพันธ์ที่ต่อเนื่องในการรักษาความปลอดภัยการแจ้งเตือน
เหตุการณ์
ค) การวิเคราะห์รูปแบบและการเรียนรู้
ผ่านการวิเคราะห์ของรูปแบบบ่อยและลำดับ
รูปแบบที่พบใน กระบวนการดังกล่าวข้างต้นของความรู้
การค้นพบเราสังเกตว่ารูปแบบที่พบบ่อยบางส่วนเป็นเพียง
ปรากฏการณ์ทางสถิติที่มีความหมายเกี่ยวกับ
การวิเคราะห์สถานการณ์การรักษาความปลอดภัย ในทางตรงกันข้ามมี
บางเหตุการณ์การแจ้งเตือนการรักษาความปลอดภัยที่มีเพียงไม่กี่เหตุการณ์ที่
สม่ำเสมอจะอ่านไม่ออกและระดับความเชื่อมั่นของ
กฎระเบียบที่สร้างอยู่ในระดับต่ำในขณะที่กฎเหล่านี้มีความสำคัญกับ
ความสัมพันธ์ของสถานการณ์ความปลอดภัย จะใช้ประโยชน์จากการค้นพบ
ความรู้ได้อย่างมีประสิทธิภาพการเรียนรู้เครื่องอารัมภบท-EBG
อัลกอริทึมที่เป็นที่ยอมรับที่จะถูกตีความและวิเคราะห์
ความรู้ที่ค้นพบโดยการแนะนำความรู้ก่อนของ
โดเมนและปรับปรุงกฎระเบียบและเพิ่มประสิทธิภาพจะถูกส่งออก
มาจากชุดของเหตุการณ์การแจ้งเตือนการรักษาความปลอดภัยที่เกิดจาก การโจมตี
แบบจำลอง ผ่านขั้นตอนการเพิ่มประสิทธิภาพนี้
ระดับความเชื่อมั่นของกฎได้รับการประเมินอย่างถูกต้องจาก

ผลลัพธ์ (ไทย) 3:

) รูปแบบเหมืองแร่บ่อย

mmmg คุณลักษณะสำคัญที่สุดของขั้นตอนวิธีแบบบ่อย ( เช่น ค่าต้นไม้อัลกอริทึม [ 12 ] ) คือการบีบอัด
ฐานข้อมูลขนาดใหญ่โครงสร้างต้นไม้ขนาดเล็ก ( FP ต้นไม้ ) และ
อย่างรวดเร็วของฉันชุดของรูปแบบความถี่โดยไม่ต้อง
สร้างรายการของผู้สมัคร เนื่องจากมัน หลีกเลี่ยงการทำซ้ำ
ฐานข้อมูลการสแกน ส่วนใหญ่จะประกอบด้วย inserctree
ขั้นตอนวิธีและ _growth รุ่น FP แบบความถี่
เหมืองข้อมูลขั้นตอนวิธี ความสัมพันธ์ระหว่างคุณลักษณะกฎ
เหตุการณ์สามารถขุดจากชุดรักษาความปลอดภัยแจ้งเตือนเหตุการณ์
โดยใช้ขั้นตอนวิธีการตั้งค่าที่น้อยที่สุดและ FP ต้นไม้สนับสนุน min_sup ค่า

b ) ซึ่งเกณฑ์ รูปแบบเหมืองแร่
ขั้นตอนวิธี winepi [ 13 ] ที่ใช้ในเหมืองแร่ ซึ่งค้นพบความสัมพันธ์แบบ

ลำดับของการแจ้งเตือนเหตุการณ์ คือ ชุดของเหตุการณ์บ่อย
สกัดจากชุดรักษาความปลอดภัยแจ้งเตือนเหตุการณ์เฉพาะชนิด
ภายในกําหนดหน้าต่างสไลด์ และชุดของผู้สมัคร
บ่อยตอนรูปแบบถูกสร้างขึ้นที่มีความยาวสั้นกว่า
เมื่อตอนบ่อยรูปแบบ ที่มีความยาวขนาดใหญ่
ค้นพบผ่านการ . ลำดับ
ในที่สุดความสัมพันธ์ระหว่างตอนและลวดลายค้นพบ
ตามเกณฑ์ของความถี่และความเชื่อมั่นระดับ
นั่นคือ ลำดับเหตุการณ์ความสัมพันธ์ระหว่างระบบเตือนภัย
.
c ) รูปแบบการวิเคราะห์และการเรียนรู้
ผ่านการวิเคราะห์รูปแบบและลวดลาย ซึ่งพบบ่อย
ในข้างต้น กล่าวถึงกระบวนการค้นพบความรู้
เราสังเกตว่า รูปแบบบางแค่
บ่อย ๆปรากฏการณ์ทางสถิติ ซึ่งจะไม่มีความหมาย ด้วยความเคารพ
การวิเคราะห์สถานการณ์การรักษาความปลอดภัย บนมืออื่น ๆมีบางเหตุการณ์การแจ้งเตือนความปลอดภัย

ซึ่งมีไม่กี่ที่เกิดขึ้นอย่างรวดเร็วจะอ่านไม่ออก และระดับความเชื่อมั่นของ
สร้างกฎน้อย ในขณะที่กฎเหล่านี้มีความสําคัญต่อ
ความสัมพันธ์ของสถานการณ์ความปลอดภัย ใช้ค้นพบ
ความรู้ได้อย่างมีประสิทธิภาพเปิดฉาก ebg การเรียนรู้ของเครื่อง
ขั้นตอนวิธีจะประกาศใช้ได้อย่างถูกต้องตีความและวิเคราะห์
ค้นพบความรู้โดยการนำความรู้เดิมของ
โดเมนและการแก้ไขและปรับกฎจะถูกส่งออก
จากชุดรักษาความปลอดภัยเหตุการณ์ที่เกิดขึ้นจากการโจมตี
จำลอง . ผ่านกระบวนการเพิ่มประสิทธิภาพนี้
ระดับความเชื่อมั่นของกฎจะถูกประเมินจาก