طراحی مدل تشخیص نفوذ در شبکه با استفاده از شبکه عصبی و الگوریتم حرکت گروهی ذرات (PSO)

امروزه با رشد چشمگیر استفاده از اینترنت و توسعه در برنامه های وب که در سیستم عامل های مختلف کار می کنند، هدف اصلی حمله قرار می گیرند. تهدیدات جدید هر روز توسط افراد و سازمان هایی ایجاد می شود که به سیستم های شبکه حمله می کنند. نفوذ یک خطای عملیاتی ناشی از درگیری خارجی است. نفوذ به عنوان یک کلید برای مصالحه یکپارچگی، دسترسی و محرمانه بودن یک منبع کامپیوتر استفاده می شود. از این رو سیستم های تشخیص نفوذ ( IDS ) در حال تبدیل شدن به یک بخش کلیدی سیستم دفاع، برای شناسایی ناهنجاری ها و حملات در شبکه هستند. از این رو سیستم های تشخیص نفوذ در حال تبدیل شدن به یک بخش کلیدی از سیستم دفاع، برای تشخیص ناهنجاری ها و حملات در شبکه است. داده کاوی فرآیند استخراج اطلاعات مفید از مخزن داده بزرگ است. سیستم تشخیص نفوذ ( IDS ) به طور موثر این اطلاعات را شناسایی کرده و نتایجی را که می تواند در آینده استفاده شود، پیش بینی می کند. در بخش داده کاوی، طبقه بندی یکی از کاربردی ترین تکنیک های مهم استفاده شده برای تشخیص نفوذ است. استفاده از یک طبقه بندی کننده یادگیری ماشینی جدید و موجود در سیستم تشخیص نفوذ به دلیل این واقعیت است که افزایش سرعت تشخیص و دقت، در حجم وسیعی از داده های امنیتی از جمله ویژگی های متنوع و پویا حملات از اهمیت ویژه ای برخوردار است.. در فرایند استفاده از شبکه های عصبی، داده های شبکه عصبی ابتدا یک سری مقادیر تصادفی را به عنوان وزنها و بایاس های اولیه شبکه انتخاب می کند و این یکی از معایب آن است. در این راستا پ از الگوریتم بهینه سازی ازدحام ذرات برای بهینه سازی وزن شبکه های عصبی استفاده می شود. در مقایسه با الگوریتم های بهینه سازی، الگوریتم بهینه سازی اردحام ذرات ( PSO ) برای پیاده سازی سادهتر است و می تواند نقطه بهینه را به سرعت پیدا کند. روش پیشنهادی با دقت 59 درصد می تواند ناهنجاری ها را تشخیص دهد که نسبت به مقاله پایه بهبود داشته است. ارزیابی مدل پیشنهادی بر اساس مجموعه داده های KDD99 انجام گرفته است و نتایج حاصله نشان می دهد روش پیشنهادی، روشی موثر در تشخیص نفوذ و ناهنجاری در شبکه های کامپیوتری است.

کلیدواژه ها:

تشخیص نفوذ ، شبکه عصبی ، الگوریتم ژنتیک