تشخیص حملات شبکه های کامپیوتری با یادگیری ماشین و تحلیل داده های جریان ترافیک

با گسترش کاربردهای فناوری اطلاعات، هر روزه خدمات بیشتری برروی بستر شبکه های کامپیوتری ارائه می گردد که به همین نسبت تهدیدات امنیتی این سامانه ها با اهداف خراب کارانه و یا تجاری توسعه یافته است. یکی از روش هایی که می توان از پیچیدگی تحلیل کل ترافیک کم کرد، تحلیل خلاصه داده های مربوط به جریان ترافیک به جای کل ترافیک می باشد. NetFlow از استانداردهای تولید داده های جریان ترافیک است که داده های خلاصه از جریان های ترافیک شبکه را به صورت خودکار توسط مسیریاب ها و سوئیچ های سیسکو تولید می نماید. در این مقاله رویکرد مبتنی بر یادگیری ماشین برای تحلیل ترافیک و دسته بندی آن به منظور شناسایی ترافیک های مربوط به حملات و انجام اقدامات پیشگیرانه، ارائه شده است. برای این کار، از الگوریتم های مختلف یادگیری ماشین شامل بیز ساده (Naive Bayes)، ماشین بردار پشتیبان (SVM) و درخت تصمیم بیز (NBTree) برای مدل سازی داده های خلاصه جریان ترافیک استفاده شده است. برای ارزیابی روش های ارائه شده از مجموعه داده KDDcup۹۹ استفاده شده است که قبل از استفاده در الگوریتم های مربوطه، ویژگی های مربوط به خلاصه جریان ترافیک از آن استخراج شده (۷ ویژگی) و الگوریتم های دسته بندی مذکور هم بر روی همان ویژگی ها و هم بر روی همه ویژگی های موجود در داده ها (۴۱ ویژگی) اجرا شده اند. متوسط دقت دسته بندی برای دسته های مختلف (۲۲ دسته حمله و یک دسته ترافیک نرمال) نشان می دهد که استفاده از ۷ ویژگی کارایی را زیاد تغییر نمی دهد اما محاسبات را به میزان چشمگیری کاهش می دهد. متوسط دقت روش ها بیشتر از ۹۷% بوده و در بهترین حالت (روش SVM با ۴۱ ویژگی)، متوسط دقت بیشتر از ۹۹% است.

کلیدواژه ها:

تشخیص حملات شبکه ، داده های جریان ترافیک ، NetFlow ، دسته بندی ، یادگیری ماشین