| مشخصات مقاله | |
| ترجمه عنوان مقاله | جاسازی URL ترکیب با خوشه بندی گروهی برای شناسایی ناهنجاری های وب |
| عنوان انگلیسی مقاله | Incorporating URL embedding into ensemble clustering to detect web anomalies |
| انتشار | مقاله سال 2019 |
| تعداد صفحات مقاله انگلیسی | 32 صفحه |
| هزینه | دانلود مقاله انگلیسی رایگان میباشد. |
| پایگاه داده | نشریه الزویر |
| نوع نگارش مقاله |
مقاله پژوهشی (Research article) |
| مقاله بیس | این مقاله بیس نمیباشد |
| نمایه (index) | scopus – master journals – JCR |
| نوع مقاله | ISI |
| فرمت مقاله انگلیسی | |
| ایمپکت فاکتور(IF) |
5.341 در سال 2017 |
| شاخص H_index | 85 در سال 2019 |
| شاخص SJR | 0.844 در سال 2017 |
| شناسه ISSN | 0167-739X |
| شاخص Quartile (چارک) | Q1 در سال 2017 |
| رشته های مرتبط | مهندسی کامپیوتر – مهندسی فناوری اطلاعات |
| گرایش های مرتبط | الگوریتم و محاسبات – شبکه های کامپیوتری |
| نوع ارائه مقاله |
ژورنال |
| مجله / کنفرانس | سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems |
| دانشگاه | State Key Laboratory of Software Development Environment, Beihang University, Beijing, China |
| کلمات کلیدی | تشخیص ناهنجاری، یادگیری عمیق وزن دار، خوشه بندی گروهی وزن دار شبه فضا |
| کلمات کلیدی انگلیسی | anomaly detection, weighted deep learning, subspace weighted ensemble clustering |
| شناسه دیجیتال – doi |
https://doi.org/10.1016/j.future.2019.01.004 |
| کد محصول | E12053 |
| وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
| دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
| سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
| فهرست مطالب مقاله: |
| Outline Highlights Abstract Graphical abstract Keywords 1. Introduction 2. Related work 3. Preliminaries 4. Algorithm 5. Experimental evaluations 6. Conclusion Acknowledgements References |
| بخشی از متن مقاله: |
| Abstract Web anomaly detection aims to find deviations from normal behaviour that happened in our system at most of the time. With the development of the Internet, it is vital for the security of the Internet to detect web-based anomalies. Clustering based on feature extraction by manually has been verified as a significant way to detect new anomalies. But the presentations of these features cannot express semantic information of the URLs. In addition, few studies try to cluster the anomalies into specific types like SQL-injection. In order to solve these two problems, we provide a weighted deep learning enabled subspace spectral ensemble clustering approach for web anomaly detection called WDL-SSEC. This approach has three steps. Firstly, an ensemble clustering model is applied to separate anomalies from normal samples. Then we use word2vec to get the semantical presentations of tokens and concatenate weighted tokens to get vectors of the URLs. Finally, another ensemble clustering based on subspace and locally adaptive clustering (LAC) multi-cluster anomalies into specific types. Our approach is run on a real-life data set. The results achieves better performance than existing approaches, , which demonstrates that our model has the ability to cluster anomalies into appropriate types. |