policy:
new=新建机器学习
edit=编辑异常检测配置
id=ID
policy=服务器策略
domain_count=域数量
hmm_engine=HMM引擎
automatic_refresh_model=自动刷新模型
hmm_setting=HMM设置
hmm_evaluation_setting=HMM参数模型更新
automatic_refresh_model=参数变化时进行动态更新
box_notch_count=进行动态更新需要的不重叠的箱线图数量
anomaly_detection_setting=异常检测设置
anomaly_detection_method=异常检测方法
automatic=自动
quantile=分位数
quantile_potential=相对异常标准
quantile_definitely=绝对异常标准
tolerance_potential=相对异常标准
tolerance_definitely=异常标准
tolerance_definitely_unit=标准差
model_min_learn_time=样品收集期
model_min_learn_time_unit=周
refresh_model_type=参数更新方法
trigger_action_setting=动作设置
action_protential=相对异常动作
action_definitely=绝对异常动作
action_page_method=HTTP方法异常动作
training_sample_collecting_setting=训练样本收集设置
allow_domain=允许收集样本的域
source_ip_list=源IP列表
ip_list_type=IP列表類型
trust=白名单
black=黑名单
div_source_ip_list_tip=定义是否限制学习还是不学习某些IP/范围。 留空以学习所有来源。
err_box_notch_count= 是非法值.\n箱线图缺口数量范围是1~3.
err_tolerance_potential= 是非法值.\n相对异常标准范围是0.0~1.0.
err_tolerance_definitely= 是非法值.\n异常标准是1~10.
err_model_min_learn_time= 是一个无效的值。样本收集周期必须在1~8之间。
err_tolerance=相对异常标准应该大于绝对异常标准.
err_quantile_potential= 是非法值.\n相对异常标准范围是0.0~1.0.
err_quantile_definitely= 是非法值.\n绝对异常标准是0.0~1.0.
err_quantile=相对异常标准应该大于绝对异常标准.
alert=警告
alert_deny=警告并阻断
block_period=阻塞周期
period_block=阻塞周期
domain=域
ip_range=IP 范围
ip_range_tip=(例如: 1.2.3.4-1.2.3.40, 2001::1-2001::100)
domain_name=域名
domain_name_hint=添加完整域名或使用通配符“*”覆盖一个配置文件下的多个域。
view_domain=查看域
view_domain_data=查看域数据
rbtn_url=< 返回
access_heat=访问频率
start_time=启动时间
url_number=URL数量
alert_block=动作(警告/阻断)
service=服务(HTTP/HTTPS)
page_charset=页面字符集
ml_events=机器学习事件
top10=命中最多的10个URL
traffic_trend=HTTP/HTTPS流量趋势
hmm_chart=HMM学习进展
event_trend=异常触发违例行为
allow_method_chart=允许方法学习进展
method_trend=允许方法违例行为趋势
ua_stat_collecting=收集
ua_stat_building=构建
ua_stat_testing=测试
ua_stat_running=运行
ua_stat_discarded=丢弃
am_stat_learn=学习
am_stat_finish=终止
http_requests=HTTP请求
ssl_requests=HTTPS请求
potential_anomalies=相对异常
definitly_anomalies=异常
alert_requests=警告
block_requests=阻塞
detecting=检测
default=默认
http_method_violation=HTTP方法异常
refresh_domain_tip=重建将删除所有存在的学习,确定要重建这个域吗?
param_name=参数名称
hmm_stage=HMM学习阶段
boxplot=箱线图评估
anomaly_detection_settings=异常检测设置
inherite_settings=继承全局设置
specific_settings=自定义设置
potential_t=相对异常标准
definitely_t=异常标准
abnormal_arguments=异常参数
value=值
operations=操作
refresh=刷新
discard=丢弃
normal=正常
speedy=快速
anomaly=异常
web_attack_validation=威胁模型
xss_model=精炼过的针对跨站脚本的数学模型
xss_model_detail=带有直线型核函数的支持向量机模型，针对跨站脚本攻击.
sql_model=精炼过的针对SQL注入的数学模型
sql_model_detail=带有直线型核函数的支持向量机模型，针对SQL注入攻击.
commandi_model=精炼过的针对命令注入的数学模型
commandi_model_detail=带有Sigmoid型核函数的支持向量机模型，针对命令注入攻击.
lfi_rfi_model=精炼过的针对本地/远程文件包含的数学模型
lfi_rfi_model_detail=带有径向基型核函数的支持向量机模型，针对本地/远程文件包含攻击.
codei_model=精炼过的针对代码注入的数学模型
codei_model_detail=带有Sigmoid型核函数的支持向量机模型，针对代码注入攻击.
commoni_model=精炼过的针对常规注入的数学模型
commoni_model_detail=带有多项式核函数的支持向量机模型，针对常规注入攻击.
remote_ex_model=精炼过的针对远程利用的数学模型
remote_ex_model_detail=带有多项式核函数的支持向量机模型，针对远程利用攻击.
ssi_model=精炼过的针对服务器端包含注入的数学模型
ssi_model_detail=带有Sigmoid型核函数的支持向量机模型，针对服务器端包含注入攻击.
format_str_model=精炼过的针对格式字符串攻击的数学模型
format_str_model_detail=带有Sigmoid型核函数的支持向量机模型，针对格式字符串攻击.
view_threat_models=查看威胁模型
set_attack_vali_failed=设置威胁模型失败.
enable_vali_first=请先启用威胁模型.
app_change_sensitivity=应用程序更改敏感程度
low=低
medium=中
high=高
info=通知
hmm_evaluation_setting_tip=每当通过比较箱线图发现应用变化时，FortiWeb会自动更新. 请选择FortiWeb对应用变化的敏感程度.
anomaly_detection_setting_tip=选择阈值等级（1-10）以检测异常。阈值越高，触发的异常越少。
web_attack_vali_setting_tip=扫描异常以确认其是否为攻击.
trigger_action_setting_tip=所有的请求首先通过HMM扫描, 然后通过威胁模型扫描. 请选择确认攻击之后的动作.
action_replace_templates=URL 替换策略
select=选择
status=状态
running=运行
stopped=停止
err_domain=域名只能包含字母，数字，'.', '-' 和 '*'！
rebuild=重建
relearn=重新学习
block_period_potential=相对异常阻塞周期
severity_potential=相对异常日志级别
trigger_potential=相对异常触发行为策略
block_period_definite=绝对异常阻塞周期
severity_definite=绝对异常日志级别
trigger_definite=绝对异常触发行为策略
block_period_method=HTTP方法日志级别
severity_method=HTTP方法异常阻塞周期
trigger_method=HTTP方法异常触发行为策略
err_block_period=不是合理的阻塞周期。阻塞周期的取值范围是1~3600。
import=导入
export=导出
import_file=请选择要导入的异常检测数据文件
err_import_file=请选择要导入的文件
err_import=该文件导入失败
import_dialog=导入异常检测数据
export_dialog=导出异常检测数据
import_success=已成功导入异常检测数据
export_success=已成功导出异常检测数据
sample_collecting_mode=样本收集模式
sample_collecting_mode_tip=如果选择“快速”模式，学习阶段将会收集较少的样本。
potential_anomaly=相对异常
definite_anomaly=异常检测
method_violation=HTTP方法异常
trigger_policy=触发行为策略
name=名称
http_method_setting=HTTP方法设置
http_method=HTTP方法
http_method_setting_tip=如果关闭，机器学习将不再学习和验证HTTP方法。
learning_cycle_setting=学习周期

wizard:
wizard_prev=返回
wizard_next=下一步
wizard_done=创建
cancel=取消
ml_create=新建机器学习
ml_wizard=机器学习向导
hmm_settings=HMM设置
training_sample_settings=训练样本收集设置
hmm_evaluation_settings=HMM参数模型更新
anomaly_detection_settings=异常检测设置
attack_validation_settings=威胁模型设置
trigger_action_settings=触发动作设置
hmm_engine=HMM引擎
enable=启用
disable=禁用
allow_sample_domains=允许收集样本的域:
allow_sample_ip=允许收集样本的IP:
domain=域
source_ip=IP 范围
ip_range_tip=(例如: 1.2.3.4-1.2.3.40, 2001::1-2001::100)
auto_refresh=参数变化时进行动态更新
refresh_condition=进行动态更新需要的不重叠的箱线图数量
detection_method=异常检测方法
automatic=自动
quantile=分位数
t_potential=相对异常标准
t_definite=绝对异常标准
q_potential=相对异常标准
q_definite=绝对异常标准
action_potential=相对异常动作
action_definite=绝对异常动作
action_http=HTTP方法异常动作
alert=警告
deny=阻断
svm_description=威胁模型使用训练后的SVM(支持向量机)模型来鉴别是否HMM模型标记出的异常是实际攻击.
attack_validation=威胁模型
action_potential_detail=当Web攻击验证符合时，执行动作:
action_definite_detail=当Web攻击验证符合时，执行动作:
err_box_notch_count=箱线图数量范围是1~3.
err_tolerance_potential=相对异常标准范围是0.0~1.0.
err_tolerance_definitely=异常标准是1~10.
err_quantile_potential=相对异常标准范围是0.0~1.0.
err_quantile_definitely=绝对异常标准是0.0~1.0.
err_quantile=相对异常标准应该大于绝对异常标准.
err_float_accuracy_t_potential=请输入一个合理的相对异常标准. 最接近的合理值是向上(
err_float_accuracy_t_definite=请输入一个合理的绝对异常标准. 最接近的合理值是向上(
err_float_accuracy_q_potential=请输入一个合理的相对异常标准. 最接近的合理值是向上(
err_float_accuracy_q_definite=请输入一个合理的绝对异常标准. 最接近的合理值是向上(
err_float_accuracy_body=), 向下(
err_float_accuracy_tail=).
app_change_sensitivity=应用变化敏感度
low=低
medium=中
high=高
source_ip_list=源IP列表
ip_list_type=IP列表類型
trust=白名单
black=黑名单
tip_http2=机器人检测不支持http2流量。

report: 
access_heat=访问频率
train_start_time=模型初始化日期
action=动作(警告/阻断)
alert=警告
block=阻塞
potential=相对异常
definitely=异常
parameters=参数
allow_method=允许方法
name=参数名称
learning_stage=HMM学习阶段
required_time=所需的收集时间
required_samples=所需样品
left_samples=剩余样本
left_times=剩余连线时间
details=HMM详细信息
finished=终止
learning=学习
am_learning_stage=允许方法学习阶段:
am_adjust=允许方法调整:
am_settings=允许方法设置
by_mlearning=通过机器学习
customized=自定义
traffic_trend=违例趋势
anomaly_event_statistics=触发违例
anomaly_event_statistics_2=基于异常类型
collecting=收集
finish=终止
build_finish=构建终止
building=构建
testing=测试
running=运行
discarded=丢弃
refresh=刷新
apply=应用
back=返回
error_msg_get_am=获取允许方法数据失败.
error_msg_set_am=设置允许方法失败.
set_am_success=设置允许方法成功.
confirm_refresh_url=重建URL会删除所有已有的学习. 你确定要重建这个URL吗?
confirm_refresh_dir=重建目录会删除所有已有的学习. 你确定要重建这个目录吗?
confirm_refresh_arg=重建参数会删除所有已有的学习. 你确定要重建这个参数吗?
confirm_relearn_url=重新学习网址会将模型切换到收集状态以收集更多样本。您是否确定要重新学习此网址？
confirm_relearn_dir=重新学习目录会将模型切换到收集状态以收集更多样本。您是否确定要重新学习此目录？
confirm_relearn_arg=重新学习参数将模型切换到收集状态以收集更多样本。您是否确定要重新学习这个参数吗？
confirm_discard_arg=你确定要丢弃这个参数吗?
boxplot=箱线图评估
anomaly_detection_settings=异常检测设置
inherite_settings=继承全局设置
specific_settings=自定义设置
potential_t=相对异常标准
definitely_t=异常标准
tolerance_definitely_unit=标准差
potential_q=相对异常标准
definitely_q=绝对异常标准
abnormal_arguments=异常参数
id=ID
value=值
operations=操作
refresh=刷新
discard=丢弃
normal=正常
anomaly=异常
type=触发的异常类型
box_plot_title=概率箱线图
box_plot_description=箱线图用于评估一个参数是否发生了变化
scatter_title=HMM触发的异常分布
ml_sd_title=异常严格等级详细信息
sample_length=样本长度
sample_probability=样本概率
err_box_notch_count=箱线图数量范围是1~3.
err_tolerance_potential= 相对异常标准范围是0.0~1.0.
err_tolerance_definitely= 异常标准是1~10.
err_quantile_potential= 相对异常标准范围是0.0~1.0.
err_quantile_definitely= 绝对异常标准是0.0~1.0.
err_quantile=相对异常标准应该大于绝对异常标准.
err_float_accuracy_t_potential=请输入一个合理的相对异常标准. 最接近的合理值是向上(
err_float_accuracy_t_definite=请输入一个合理的绝对异常标准. 最接近的合理值是向上(
err_float_accuracy_q_potential=请输入一个合理的相对异常标准. 最接近的合理值是向上(
err_float_accuracy_q_definite=请输入一个合理的绝对异常标准. 最接近的合理值是向上(
err_float_accuracy_body=), 向下(
err_float_accuracy_tail=).
past_24_hours=过去24小时
import_file=导入文件
password=密码
confirm_password=确认密码
import=导入
export=导出
cancel=取消
import_dialog=导入对话
export_dialog=导出对话
err_import_file=请选择要导入的文件.
err_import_password=请输入导入密码.
err_export_password=密码不匹配.
err_export=导出参数数据失败.
err_import=导入文件失败.
err_empty_password=请输入密码.
success_import=导入成功.
success=操作成功.
no_access_record=没有可用记录.
domain=域
no_entries=未找到匹配条目
error_msg_empty=请选择至少一个允许方法.
boxplots_replacer=只有当参数状态为测试或者运行模式时, 箱线图才可见.
distribution_replacer=只有当参数状态为测试或者运行模式时, 异常分布数据才可见.
rebuild_url=重建URL
rebuild_arg=重建参数
relearn_url=重新学习网址
relearn_arg=重新学习参数
anomaly_samples=异常样本
additional_samples=新加样本
noisy_samples=吵杂的样品
historical_learning_events=事件
time=时间
detail=详细信息
ip_addr=IP地址
percent=百分比
sample_source_top10=样本源最多的前10个IP
view_hmm_detail=查看HMM详细信息
rebuild_directory=重建目录
relearn_directory=重新学习目录
urlsWithParam=含有参数的URL
Add Filter=添加过滤器
filter_remove=删除过滤条目
refresh_method=重建方法
confirm_refresh_method=重建方法会删除已有的方法状态。你确定要重建这个方法学习状态么？
manual=手动
days=天
hours=小时
minutes=分钟
collected_samples=收集样本
test_sample_dialog=测试样本
sample=样品：
test=测试样本
probability=可能性：
detection_result=检测结果：
test_normal=不规则
test_abnormal=异常
err_empty_sample=样本不能为空。
err_test_sample=测试失败。
detectionSetting_description=变更严格等级以查看对样本的影响。使用测试样本检查概率。
rebuild=重建
relearn=重新学习

bot_status:
detection=模型检测
status=模型状态
operation=操作
selected_model=选择模型
model_information=模型信息
model_statistics=模型统计
training_set=训练集
test_set=测试集
loose=温和的
strict=严格的
rebuild=重建
refresh=刷新
rebuild_confirm=重建操作将利用当前的模型设置建立新模型并收集样本。请确认。
refresh_confirm=刷新操作将删除所有收集到的样本和现有模型，并重新学习生成模型。请确认。
loose_model=温和模型
strict_model=严格模型
training_accuracy=训练精度
testing_accuracy=测试精度
cross_validation=交叉验证
ml_events=机器学习事件
chart_model_comparison=模型比较
chart_anomaly_trend=异常趋势
chart_traning_accuracy=训练精度
chart_test_accuracy=测试精度
chart_cross_validation=交叉验证
chart_confirmed_anomaly_trend=证实机器人
chart_traffic_anomaly_trend=异常趋势
chart_traffic_total_trend=流量趋势
chart_regular=规则
chart_anomaly=异常
status_none=无
status_collecting=收集
status_building=构建中
status_testing=测试
status_running=准备就绪
status_failure=失败
status_Deleting=删除
