Any efficient Bot-Detection tool mu

Any efficient Bot-Detection tool must be able toclassify bot activity as, 'bot' with utmost accuracy. The key factorthat influences the efficiency of a Bot-Detection tool is theselection of a classification algorithm whose prediction accuracyis the maximum. This paper proposes the implementation of aHybrid Approach involving k Nearest Neighbor (kNN), NaïveBayes and ID3 classifiers resulting in most encouragingprediction accuracy values. The proposed scheme is followedafter the preprocessing phase that involves the computation ofweights of each attribute in the data set through different WeightBased Feature Selection algorithms and determining the mean ofweights of each attribute. A final Mean of mean values of all theattributes is computed. All those attributes whose mean valuesfall below the final Mean of mean values are discarded while allother remaining attributes are considered significant attributesand are used for botnet classification.

結果 (繁體中文) 1:

任何有效的殭屍檢測工具必須能夠
BOT活動分類為，具有極高的精度“機器人”。關鍵因素
是影響一個殭屍檢測工具的效率是
一個分類算法，其預測精度的選擇
是最大的。本文提出了一種執行
涉及K近鄰（KNN）的混合方法，樸素
導致大部分鼓勵貝葉斯和ID3分類
預測精度值。所提出的方案之後
，涉及的計算的預處理階段之後
通過重量不同的數據組中的每個屬性的權重的
基於特徵選擇算法和確定平均的
每個屬性的權重。所有的平均值的最終平均
屬性進行計算。所有這些屬性，其平均值
低於平均值的最終平均值，而所有被丟棄
其他剩餘的屬性被認為是顯著的屬性
和使用殭屍網絡的分類。

結果 (繁體中文) 2:

任何高效的機器人偵查工具必須能夠
將機器人活動分類為"機器人"，並極其精確。關鍵因素
影響機器人偵查工具效率的是
選擇預測精度的分類演算法
是最大值。本檔建議實施
涉及 k 最近鄰居 （kNN） 的混合方法，納伊夫
貝葉斯和ID3分類器最鼓舞人心
預測精度值。遵循建議的計畫
在預處理階段之後，涉及計算
通過不同權重的資料集中每個屬性的權重
基於特徵選取演算法並確定
每個屬性的權重。所有平均值的最終平均值
屬性計算。其平均值的所有屬性
低於平均值的最終平均值將被丟棄，而所有
其他剩餘屬性被視為重要屬性
並用於僵屍網路分類。

結果 (繁體中文) 3:

任何有效的機器人檢測工具都必須能够
將bot活動分類為“bot”，並盡可能精確。關鍵因素
影響機器人檢測工具效率的是
一種預測精度較高的分類算灋的選擇
是最大值。本文提出了一個
k近鄰混合方法（kNN），天真
Bayes和ID3分類器產生了最令人鼓舞的
預測精度值。遵循提議的方案
在涉及計算
通過不同的權重確定數據集中每個内容的權重
基於特徵選擇的算灋及其平均值確定
每個内容的權重。最後的平均值
計算内容。所有這些内容的平均值
低於平均值的最終平均值將被丟棄，而所有
其他剩餘内容被視為重要内容
用於僵屍網路分類。