policy:
new=新增機器學習
edit=編輯异常檢測配置
id=ID
policy=伺服器策略
domain_count=網域號碼
hmm_engine=HMM引擎
automatic_refresh_model=自動刷新模型
hmm_setting=HMM設置
hmm_evaluation_setting=HMM參數模型更新
automatic_refresh_model=當參數改變時動態更新
box_notch_count=箱形圖數量不重疊時更新參數模型
anomaly_detection_setting=異常檢測配置
anomaly_detection_method=異常檢測方法
automatic=自動
quantile=位數
quantile_potential=潛在異常的嚴格等級
quantile_definitely=明確異常的嚴格等級
tolerance_potential=潛在異常的嚴格等級
tolerance_definitely=異常的嚴格等級
tolerance_definitely_unit=標準差
model_min_learn_time=樣品收集期
model_min_learn_time_unit=周
refresh_model_type=參數更新方法
trigger_action_setting=操作設置
action_protential=潛在異常的行為
action_definitely=明確異常的行為
action_page_method=HTTP方法違例行為
training_sample_collecting_setting=訓練樣本收集設置
allow_domain=允許從網域收集樣本
source_ip_list=源IP列表
ip_list_type=IP列表類型
div_source_ip_list_tip=允許或拒絕從下方的來源IP列表樣本收集。
trust=白名單
black=黑名單
err_box_notch_count= 不是一個合理值。\n水平箱線圖必須在 1 - 3之間。
err_tolerance_potential= 不是一個合理值。\n嚴格等級的潛在異常必須在 0.0~1.0。
err_tolerance_definitely= 不是一個合理值。\n嚴格等級的異常必須在 1~10。
err_model_min_learn_time= 是一個無效的值。樣本收集週期必須在1~8之間。
err_tolerance=嚴格等級的潛在異常必須大於嚴格等級的明確異常。
err_quantile_potential= 不是一個合理值。\n嚴格等級的潛在異常必須在 0.0~1.0。
err_quantile_definitely= 不是一個合理值。\n嚴格等級的明確異常必須在 0.0~1.0。
err_quantile=嚴格等級的潛在異常必須大於嚴格等級的明確異常。
alert=警告
alert_deny=警告並阻斷
block_period=阻絕時間
period_block=阻絕時間
domain=網域
ip_range=IP 範圍
ip_range_tip=(例如: 1.2.3.4-1.2.3.40, 2001::1-2001::100)
domain_name=網域名稱
domain_name_hint=添加完整域名或使用萬用字元”*”覆蓋一個配置文件下的多個域名。
domain_index=網域索引
view_domain=查看網域
view_domain_data=查看網域數據
rbtn_url=< 上一級
access_heat=訪問頻率
start_time=開始時間
url_number=URL號碼
alert_block=動作(警告/阻絕)
service=服務(HTTP/HTTPS)
page_charset=頁面字元集
ml_events=機器學習事件
top10=前 10 名被命中的 URL
traffic_trend=HTTP/HTTPS流量趨勢
hmm_chart=HMM學習進度
event_trend=異常觸發的違規行為
allow_method_chart=允許方法學習進度
method_trend=允許方法違規趨勢
ua_stat_collecting=蒐集
ua_stat_building=建造
ua_stat_testing=測試
ua_stat_running=運行
ua_stat_discarded=丟棄
am_stat_learn=學習
am_stat_finish=完成
http_requests=HTTP請求
ssl_requests=HTTPS請求
potential_anomalies=潛在異常
definitly_anomalies=異常
alert_requests=警告
block_requests=阻絕
detecting=檢測
default=預設
http_method_violation=HTTP方法違例
refresh_domain_tip=重建將刪除所有現有的學習。 你確定你想重建這個網域嗎？
param_name=參數名稱
hmm_stage=HMM學習階段
boxplot=箱形圖評估
anomaly_detection_settings=異常檢測配置
inherite_settings=繼承通用配置
specific_settings=自定義配置
potential_t=潛在異常的嚴格等級
definitely_t=異常的嚴格等級
abnormal_arguments=異常參數
value=值
operations=操作
refresh=重新讀取
discard=摒棄
normal=正常
speedy=快速
anomaly=異常
web_attack_validation=威脅模型
xss_model=精鍊過的跨站腳本數學模型
xss_model_detail=精鍊過的支援向量機模型，具有線性類型的核心功能用於跨站點腳本攻擊。
sql_model=精鍊過的SQL注入數學模型
sql_model_detail=精鍊過的支援向量機模型，具有線性類型的核心功能用於SQL注入攻擊。
commandi_model=精鍊過的命令注入數學模型
commandi_model_detail=精鍊過的支援向量機模型，具有線性類型的核心功能用於命令注入攻擊。
lfi_rfi_model=精鍊過的本機檔案包含漏洞 / 遠端文件包含漏洞數學模型
lfi_rfi_model_detail=精鍊過的支援向量機模型，具有線性類型的核心功能用於本機檔案包含漏洞 / 遠端文件包含漏洞攻擊。
codei_model=精鍊過的數學模型用於代碼注入攻擊。
codei_model_detail=精鍊過的向量機模型，用於代碼注入攻擊的S型核心功能。
commoni_model=精鍊過的數學模組用於常見注入攻擊。
commoni_model_detail=精鍊過的向量機模型與多項式類型核心功能用於常見注入攻擊。
remote_ex_model=精鍊過的數學模組來進行遠程開發。
remote_ex_model_detail=精鍊過的多項式類型核心功能支持向量機模型用於遠程攻擊的攻擊。
ssi_model=訓練有素的伺服器端數學模型包括注入。
ssi_model_detail=訓練有素的支持向量機模型，帶有Sigmoid類型的內核函數，用於服務器端包括注入攻擊。
format_str_model=訓練有素的格式字符串攻擊數學模型。
format_str_model_detail=訓練有素的支持向量機模型，帶有Sigmoid類型的內核函數，用於格式字符串攻擊。
view_threat_models=查看威脅模型
set_attack_vali_failed=設置威脅模型失敗。
enable_vali_first=請先啟用威脅模型
app_change_sensitivity=應用程序變更敏感度
low=低
medium=中
high=高
info=信息
hmm_evaluation_setting_tip=當應用程式隨時間通過比較箱型圖而改變FortiWeb將自動更新，選擇FortiWeb對應用程序變更的敏感程度。
anomaly_detection_setting_tip=選擇閾值等級（1-10）以檢測異常。 閾值越高，觸發的異常越少。
web_attack_vali_setting_tip=掃描異常以驗證它們是否是攻擊。
trigger_action_setting_tip=所有請求由HMM先進行掃描，然後再由威脅模型掃描。當攻擊被驗證時選擇動作。
action_replace_templates=URL替代政策
select=選擇
status=狀態
running=運行
stopped=停止
err_domain=網域只能包含字母，數字，'.'，'-' 和'*'！
rebuild=重建
relearn=重新學習
block_period_potential=潛在異常的封鎖期間
severity_potential=潛在異常的日誌嚴重性
trigger_potential=潛在異常的觸發政策
block_period_definite=確定異常的封鎖期間
severity_definite=確定異常的日誌嚴重性
trigger_definite=確定異常的觸發策略
block_period_method=HTTP 方法衝突的封鎖期間
severity_method=HTTP 方法衝突的日誌嚴重性
trigger_method=HTTP方法違規的觸發策略
err_block_period=不是有效的封鎖期間。 請輸入1到3600之間的數字。
import=導入
export=導出
import_file=請選擇要匯入的异常檢測數據文件
err_import_file=必須選擇匯入文件
err_import=無法匯入此文件
import_dialog=匯入异常檢測數據
export_dialog=匯出异常檢測數據
import_success=成功匯入异常檢測數據
export_success=成功匯出异常檢測數據
sample_collecting_mode=樣品收集模式
sample_collecting_mode_tip=如果選擇“快速”，則在學習階段收集的樣本較少。
potential_anomaly=潛在的異常
definite_anomaly=異常檢測
method_violation=HTTP方法違規
trigger_policy=延伸告警動作策略
name=名稱
http_method_setting=HTTP方法設置
http_method=HTTP方法
http_method_setting_tip=如果停用，機器學習將不會學習和檢查http方法。
learning_cycle_setting=學習週期

wizard:
wizard_prev=Back
wizard_next=Next
wizard_done=新增
cancel=取消
ml_create=新增機器學習
ml_wizard=機器學習精靈
hmm_settings=HMM設置
training_sample_settings=訓練樣本收集設置	
hmm_evaluation_settings=HMM參數模型更新
anomaly_detection_settings=異常檢測設置
attack_validation_settings=威脅模型設置
trigger_action_settings=觸發操作設置
hmm_engine=HMM引擎
enable=Enable
disable=Disable
allow_sample_domains=允許從網域收集樣本:
allow_sample_ip=允許從IP收集樣本:
domain=網域
source_ip=IP 範圍
ip_range_tip=(例如: 1.2.3.4-1.2.3.40, 2001::1-2001::100)
auto_refresh=參數更改時動態更新
refresh_condition=當箱圖數量不重疊時更新參數模型
detection_method=異常檢測方法
automatic=自動
quantile=分量
t_potential=潛在異常的嚴格程度
t_definite=確定異常的嚴格程度
q_potential=對潛在異常的行動
q_definite=確定異常的行動
action_potential=對潛在異常的行動
action_definite=確定異常的行動
action_http=HTTP方法衝突的操作
alert=Alert
deny=Deny
svm_description=威脅模型使用訓練有素的SVM（支持向量機）模型來識別HMM模型標記的異常是否是實際攻擊。
attack_validation=威脅模型
action_potential_detail=當網頁攻擊驗證匹配時採取行動:
action_definite_detail=當網頁攻擊驗證匹配時採取行動:
err_box_notch_count=框的計算必須是一個整數在 1 ~ 3之間。
err_tolerance_potential=潛在異常的嚴格程度必須在0.0~1.0之間。
err_tolerance_definitely=異常的嚴格度必須在1~10之間。
err_quantile_potential=潛在異常的嚴格程度必須在0.0~1.0之間。
err_quantile_definitely=確定異常的嚴格度必須在0.0~1.0之間。
err_quantile=潛在異常的嚴格程度必須大於確定異常的嚴格程度。
err_float_accuracy_t_potential=請為潛在異常的嚴格級別輸入有效值。 最接近的值是ceil（
err_float_accuracy_t_definite=請為確定異常的嚴格級別輸入有效值。 最接近的值是ceil（
err_float_accuracy_q_potential=請為潛在異常的嚴格級別輸入有效值。 最接近的值是ceil（
err_float_accuracy_q_definite=請為確定異常的嚴格級別輸入有效值。 最接近的值是ceil（
err_float_accuracy_body=), floor(
err_float_accuracy_tail=).
app_change_sensitivity=應用程式變更靈敏度
low=Low
medium=Medium
high=High
source_ip_list=源IP列表
ip_list_type=IP列表類型
trust=白名單
black=黑名單
tip_http2=機器人檢測不支持HTTP2流量。

report: 
access_heat=訪問頻率
train_start_time=模組初始化日期
action=動作(警告/阻絕)
alert=警告
block=阻絕
potential=潛在異常
definitely=異常
parameters=參數
allow_method=HTTP方法
name=參數名稱
learning_stage=HMM學習階段
required_time=所需的收集時間
required_samples=所需樣品
left_samples=剩余樣本
left_times=剩余連線時間
details=HMM詳細信息
finished=完成
learning=學習
am_learning_stage=允許方法學習階段:
am_adjust=方法配額調整:
am_settings=允許方法設置
by_mlearning=通過機器學習
customized=自訂
traffic_trend=違規趨勢
anomaly_event_statistics=基於異常
anomaly_event_statistics_2=類型的觸發違規
collecting=蒐集
finish=完成
build_finish=建造完成
building=建造
testing=測試
running=運行
discarded=丟棄
refresh=重新讀取
apply=套用
back=上一級
error_msg_get_am=獲取允許方法資訊失敗。
error_msg_set_am=設置允許方法失敗。
set_am_success=設置允許方法成功。
confirm_refresh_url=重建URL將刪除所有現有的學習。 你確定你想重建這個URL嗎？
confirm_refresh_dir=重建目錄將刪除所有現有的學習。 你確定你想重建這個目錄嗎？
confirm_refresh_arg=重建參數將刪除所有現有的學習。 你確定你想重建這個參數嗎？
confirm_relearn_url=重新學習網址會將模型切換到收集狀態以收集更多樣本。您是否確定要重新學習此網址？
confirm_relearn_dir=重新學習目錄會將模型切換到收集狀態以收集更多樣本。您是否確定要重新學習此目錄？
confirm_relearn_arg=重新學習參數將模型切換到收集狀態以收集更多樣本。 您是否確定要重新學習這個參數嗎？
confirm_discard_arg=你確定要放棄這個論點嗎？
boxplot=箱形圖評估
anomaly_detection_settings=異常檢測配置
inherite_settings=繼承全局設置
specific_settings=自定義配置
potential_t=潛在異常的嚴格等級
definitely_t=異常的嚴格等級
tolerance_definitely_unit=標準差
potential_q=潛在異常的嚴格等級
definitely_q=明確異常的嚴格等級
abnormal_arguments=異常參數
id=ID
value=值
operations=操作
refresh=重新讀取
discard=摒棄
normal=正常
anomaly=異常
type=類型觸發的異常
box_plot_title=概率箱形圖
box_plot_description=箱形圖用於評估參數是否發生了變化。
scatter_title=由HMM觸發的異常分佈
ml_sd_title=異常嚴格等級詳細信息
sample_length=樣本長度
sample_probability=樣本概率
err_box_notch_count=框的計算必須是一個整數在 1 ~ 3之間。
err_tolerance_potential= 嚴格等級的潛在異常必須在 0.0~1.0。
err_tolerance_definitely= 嚴格等級的異常必須在 1~10。
err_quantile_potential= 嚴格等級的潛在異常必須在 0.0~1.0。
err_quantile_definitely= 嚴格等級的明確異常必須在 0.0~1.0。
err_quantile=嚴格等級的潛在異常必須大於嚴格等級的明確異常。
err_float_accuracy_t_potential=請輸入潛在異常嚴格等級的有效值。 最接近的值是ceil(
err_float_accuracy_t_definite=請輸入嚴格異常嚴格等級的有效值。 最接近的值是ceil(
err_float_accuracy_q_potential=請輸入潛在異常嚴格等級的有效值。 最接近的值是ceil(
err_float_accuracy_q_definite=請輸入嚴格異常嚴格等級的有效值。 最接近的值是ceil(
err_float_accuracy_body=), floor(
err_float_accuracy_tail=)。
past_24_hours=過去24小時
import_file=導入文件
password=輸入密碼
confirm_password=密碼確認
import=導入
export=導出
cancel=取消
import_dialog=導入對話框
export_dialog=導出對話框
err_import_file=必須選擇導入文件。
err_import_password=必須輸入導入密碼。
err_export_password=密碼輸入不相符。
err_export=無法導出此參數資料。
err_import=無法導入此文件。
err_empty_password=請輸入密碼。
success_import=導入成功。
success=操作成功。
no_access_record=沒有可用紀錄
domain=網域
no_entries=沒有找到符合的項目。
error_msg_empty=你必須選擇至少一種允許的方法。
boxplots_replacer=箱型圖表在參數狀態處於測試或運行模式時可用。
distribution_replacer=當參數狀態處於測試或運行模式時，異常分佈數據將可用。
rebuild_url=重建URL
rebuild_arg=重建參數
relearn_url=重新學習網址
relearn_arg=重新學習參數
anomaly_samples=異常樣本
additional_samples=新加樣本
noisy_samples=吵雜的樣品
historical_learning_events=事件
time=Time
detail=Detail
ip_addr=IP Address
percent=Percent
sample_source_top10=前10大來源IP
view_hmm_detail=查看HMM詳細資訊
rebuild_directory=重建目錄
relearn_directory=重新學習目錄
urlsWithParam=帶有參數的URLs
Add Filter=添加篩選器
filter_remove=移除過濾條件
refresh_method=Rebuild Method
confirm_refresh_method=重建方法將刪除所有現有的方法學習。 您確定要重建此方法學習階段嗎？
manual=手動
days=天
hours=小時
minutes=分鐘
collected_samples=收集樣本
test_sample_dialog=測試樣本
sample=樣品:
test=測試樣本
probability=可能性：
detection_result=檢測結果：
test_normal=不規則
test_abnormal=異常
err_empty_sample=樣本不能為空。
err_test_sample=測試失敗。
detectionSetting_description=變更嚴格等級以查看對樣本的影響。 使用測試樣本檢查概率。
rebuild=重建
relearn=重新學習

bot_status:
detection=模型檢測
status=模型狀態
operation=操作
selected_model=選定的模型
model_information=模型信息
model_statistics=模型統計
training_set=訓練集
test_set=測試集
loose=中等
strict=嚴格
rebuild=重建
refresh=刷新
rebuild_confirm=重建操作將使用當前模型設置和收集的樣本構建新模型。請確認。
refresh_confirm=刷新操作將刪除所有收集的樣本和現有模型，並重新學習生成模型。請確認。
loose_model=中等模型
strict_model=嚴格模型
training_accuracy=訓練準確性
testing_accuracy=測試準確度
cross_validation=交叉驗證
ml_events=機器學習活動
chart_model_comparison=模型比較
chart_anomaly_trend=異常趨勢
chart_traning_accuracy=訓練準確性
chart_test_accuracy=測試準確度
chart_cross_validation=交叉驗證
chart_confirmed_anomaly_trend=確認的機器人
chart_traffic_anomaly_trend=異常趨勢
chart_traffic_total_trend=交通趨勢
chart_regular=定期
chart_anomaly=不規則
status_none=沒有
status_collecting=蒐集
status_building=建造
status_testing=測試
status_running=準備
status_failure=失敗
status_Deleting=刪除
