تشخیص نفوذ به شبکه با استفاده از یادگیری عمیق مبتنی بر شبکه های مولد تخاصمی

عملکرد سیستم های تشخیص نفوذ به شبکه بر اساس روش های یادگیری ماشین از نظر دقت و کارآیی تا حد زی ادی بهویژگی های انتخاب شده بستگی دارد. انتخاب ویژگی می تواند دقت طبقه بندی را بهبود داده و همچنین باعث کاهش پیچیدگیمحاسباتی در طبقه بندی شود. در این پژوهش از شبکه های مولد تخاصمی حافظه طولانی کوتاه مدت (GAN-LSTM) بهعنوان روش انتخاب و بازنمایی عمیق ویژگی های مورد استفاده در تشخیص نفوذ به شبکه استفاده می شود. ایده اصلی روشGAN-LSTM، مبتنی بر مدل های مولد است که می تواند به دو روش ایجاد یک توزیع احتمال با استفاده از یک مجموعه داده آموزشی و یا برای تولید نمونه هایی از یک توزیع احتمال استفاده شود. مزیت این روش این است که آزمون، روی داده هایآموزشی و نمونه گیری از مدل های تولیدی انجام می شود. علاوه براین، ممکن است هرگونه اطلاعات از دست رفته، از طریقپیش بینی با الگوریتم های یادگیری تقویت شده در مدل GAN-LSTM آموزش داده شود. نتایج بدست آمده از روش پیشنهادی با روش های ماشین بردار پشتیبان (SVM) و پرسپترون چندلایه (MLP) مقایسه شد، با مشاهده نتایج آزمایشگاهیمشخص شد که دقت و معیار F در روش GAN-LSTM بهتر از دو روش دیگر است. قدرت و دقت طبقه بندی در این روشافزایش یافته و استفاده از آن باعث می شود که رتبه بندی ویژگی ها بهتر انجام گردد.

کلیدواژه ها:

تشخیص نفوذ به سیستم ، شبکه های مولد تخاصمی ، کاهش ابعاد ، شبکه حافظه طولانی کوتاه مدت