ارائه یک مدل بهینه یادگیری عمیق جهت تشخیص ناهنجاری در شبکه های مبتنی بر جریان

همگام با توسعه اینترنت و افزایش روز افزون کاربران، محافظت از داده ها در برابر تهدیدات امنیتی مسئله بسیار جدي محسوب میشود و سیستم هاي تشخیص نفوذ، نقش مهمی در تضمین امنیت اطلاعات دارد . در این مقاله مدلی کارآمد بر مبناي یادگیري عمیق با هدف بهبود دقت و سرعت تشخیص ناهنجاري در شبکه هاي مبتنی بر جریان ارائه شده است . به دلیل اهمیت ترتیب داده ها در ترافیک شبکه از شبکه هاي عصبی بازگشتی RNN استفاده شده تا ترتیب داده ها حفظ شوند . الگوریتم هاي RNN RNN DGRU و DLSTM ،SimpleRNN است. به منظور استفاده از داده هاي جریانیِ شبکه هايِ متفاوت، از مجموعه داده هاي NSL-KDD استفاده شده تا به کمک آن عملکرد مدل ارز ی ابی شود . همچن ین عملکرد مدل با روش هاي سنتی یادگیري ماشین که شامل درخت تصمیم Random Forest و Naïve Bayes ،SVM ،J48 مقایسه شده است. در نهایت با مقایسه روشهاي موجود و نتایج به دست آمده مدل DGRU-RNN عملکرد بهتري دارد.

کلیدواژه ها:

مبتنی بر جریان ، یادگیری عمیق ، امنیت شبکه ، سیستم تشخیص نفوذ ، تشخیص ناهنجاری