فصل 1 – مقدمه
فصل 2 – بررسی ادبیات پژوهشی
فصل 3 – روش پیشنهادی
فصل 4 – نتایج و گفتمان
فصل 5 – نتیجه گیری

نتایج و گفتمان
در راستای اجرای تنظیمات آزمایشی این مقاله، جعبه ابزار یادگیری ماشین MATLAB 2019b را بکار بردیم. براساس مجموعه داده های KDD 99، PCA-FELM در جهت شناسایی گره های مخرب ایجاد شده است. مجموعه داده های آموزشی 11.34% از نمونه های هر نوع را با استثنای دسته ی U2R در بر می گیرد، که 51.45% از موارد امتحان را پوشش می دهد. PCA-FELM از مجموعه داده های KDD برای ایجاد یک مجموعه داده ی آموزشی استفاده کرد که 10.12% از موارد اولیه را با 90.86% باقیمانده ای که در روش امتحان و تست استفاده می شوند دربرداشت.
• دقت (P) = TP/(TP + FP)، این بخشی از نفوذ و تهاجمات طبقه بندی می باشد که واقعا رخ داده است.
• فراخوانی (R) = TP/(TP + FN)، این کسری از نفوذهایی است که در کل تعداد نفوذها با موفقیت پیش بینی شده اند.
• درستی و صحت (A) = TP + TN/TP + TN + FP + FN، که می توان آن را به صورت درصدی از نمونه های به درستی طبقه بندی شده تعریف کرد.