مقایسه و ارزیابی تاثیر رویکردهای یادگیری و روش های استخراج ویژگی در کارایی سیستم های تشخیص ناهنجاری های شبکه

امروزه نیاز به استفاده از ارتباطات شبکه ای نقش مهمی را در پیش برد اهداف زیرساخت های حیاتی کشور ایفا می کند. اما آسیب پذیری های ناشی ازضعف امنیتی شبکه و همچنین فقدان برنامه های امنیتی مناسب در شناسایی حملات جدید، موجب لطمه های جبران ناپذیری بر این حوزه خواهد شد . بههمین دلیل اهمیت تشخیص نفوذ، یکی از مهمترین موضاعات مورد بحث در زمینه ی شبکه های تجاری و شخصی، به عنوان یکی از مهمترین نیازها برای جلوگیری از دسترسی های نامتعارف و یا انواع حملات به شبکه به شمار می رود. در تحقیقات اخیر، استفاده از روش های یادگیری ماشین ه دلیل توانایی ذاتی آنها در کشف حملات جدید در رویکرد مبتنی بر تشخیص ناهنجاری مورد بررسی قرار گرفته است. در این روش ها به کارگیری روش یادگیری مناسب و استخراج ویژگی های مهم از داده های ورودی از اهمیت بالایی برخوردار است. اگر چه پژوهش هایی در این زمینه صورت گرفته است ولی هیچ یک از آنها 1- به مقایسه ی کارایی روش های یادگیری مبتنی بر رویکردهای با نظارت وبدون نظارت در شرایط یکسان و 2- بررسی تاثیر روش های استخراج ویژگی بر کارایی سیستم نپرداخته است. به همین دلیل هدف از این پژوهش ارائه ی مقایسه ی کلی از کارایی روش های یادگیری ماشین در سیستم های تشخیص ناهنجاری های شبکه بر اساس رویکرد اتخاذ شده در آنها و همچنین ارزیابی تاثیر روش های استخراج ویژگی بر کارایی کل سیستم است. نتایج حاصل از انجام آزمایشات بر روی مجموعه داده ی NSLKDDنشان دهنده ی 1- برتری روش های یادگیری بدون نظارت در حالت خام بودن نمونه های ورودی و 2- بهبود کارایی روش های یادگیری با نظارت در اثر استفاده از روش های استخراج ویژگی غیرخطی است.

کلیدواژه ها:

سیستم تشخیص نفوذ ، تشخیص ناهنجاری ، یادگیری ماشین ، یادگیری بانظارت/بدون نظارت ، استخراج ویژگی غیرخطی