روش های یادگیری ماشین برای تشخیص نفوذ امنیت سایبری: مجموعه داده ها و مطالعه تطبیقی

افزایش استفاده از اینترنت مشکلات امنیتی را با خود به همراه دارد. نرم افزارهای مخرب میتوانند بر عملکرد سیستم ها تاثیر بگذارند و محرمانه بودن داده ها را به دلیل شکاف های امنیتی در سیستم ها مختل کنند. سیستمهای تشخیص نفوذ (IDS) برای شناسایی و گزارش حملات ایجاد شده اند. به منظور توسعه سیستمهای IDS، رویکردهای مبتنی بر هوش مصنوعی بیشتر مورد استفاده قرار گرفته است. در این مقاله، مطالعات انجام شده با استفاده از مجموعه داده هایCSE-CIC، ۲۰۱۸IDS-، UNSW-NB۱۵، ISCX-۲۰۱۲، NSL-KDD و CIDDS-۰۰۱ که به طور گسترده برای توسعه سیستمهای IDS استفاده میشوند، به تفصیل بررسی میشوند. نرمال سازی max-min روی این مجموعه داده ها انجام شده و با الگوریتمهای ماشین بردار پشتیبان (SVM)، نزدیکترین همسایه (KNN) K ، درخت تصمیم (DT) که از رویکردهای یادگیری ماشین کلاسیک هستند، طبقه بندی شده اند. لذا تصور میشود این بررسی برای توسعه سیستمهای IDS بر اساس هوش مصنوعی با رویکردهایی مانند یادگیری ماشین مفید باشد.

کلیدواژه ها:

IDS ، یادگیری ماشین ، امنیت سایبری ، سیستم تشخیص نفوذ ، هوش مصنوعی