یک روش مبتنی بر الگوریتم های طبیعی و داده کاوی در تشخیص نفوذ به شبکه

نفوذ به شبکه های کامپیوتری به عنوان یکی از چالش های مهم در انواع شبکه های کامپیوتری است و باعث می شود عملکرد شبکه تحت تاثیر مخرب نفوذ قرار گرفته شود. نفوذ در واقع یک ترافیک غیرنرمال است که می تواند نشانه یک حمله بر علیه شبکه بشاد و نیاز است که از ترافیک نرمال تشخیص داده شود. سیستم های تشخیص نفوذ به شبکه با تحلیل ترافیک شبکه و با استفاده از روش های مانند یادگیری ماشین تلاش می نمایند تا ترافیک نرمال را از غیر نرمال شناسایی نمایند. یکی از روش های تشخیص نفوذ به شبکه استفاده از شبکه عصبی مصنوعی است که می تواند الگوی نفوذ را تا حدودی تشخیص دهد اما چالش مهم شبکه عصبی میزان خطای آن برای تشخیص نفوذ است که می تواند قابل توجه باشد لذا در این مقاله برای کاهش دادن خطای خروجی شبکه عصبی مصنوعی در تشخیص نفوذ انتخاب وزن و بایس شبکه عصبی مصنوعی که در تولید خطا نقش دارد با استفاده از الگوریتم بهینه سازی پنگوئن انجام شده است. پیاده سازی روش پیشنهادی در محیط متلب و بر روی مجموعه داده KDD نشان می دهد دقت و حساسیت روش پیشنهادی به ترتیب برابر 97.65% و 96.92% است و خطای آن در تشخیص نفوذ به شبکه نسبت به شبکه عصبی مصنوعی، الگوریتم کرم شب تاب، الگوریتم بهینه سازی ذرات و شبکه بیزین کمتر است.

کلیدواژه ها:

نفوذ به شبکه ، یادگیری ماشین ، هوش گروهی ، الگوریتم بهینه سازی پنگوئن