بررسی یک روش ترکیبی جدید سیستم تشخیص نفوذ بر روی مجموعه داده های مختلف

تشخیص نفوذ یک مسئله طبقه بندی است که در آن روش های مختلف یادگیری ماشین (ML) و داده کاوی (DM) برای طبقه بندی داده های شبکه در ترافیک عادی و حمله استفاده می شود. علاوه بر این، انواع حملات شبکه در طول سال ها تغییر کرد. در این مقاله سعی شد دو مدل از سیستم های تشخیص نفوذ، باهم مقایسه شود، که این مدل ها شامل، شبکه استنتاج عصبی-فازی سازگار (ANFIS) و ماشین های بردار پشتیبان (SVM) می باشند. علاوه بر این چندین نمونه از مجموعه داده های مربوط به سیستم های تشخیص نفوذ را موردبررسی و ارزیابی قرار می دهد. در ادامه، یک روش ترکیبی جدید را بیان می کند که از بهینه سازی ازدحام ذرات (PSO) به منظور ایجاد ترکیب دسته بندها برای ایجاد دقت بهتر برای تشخیص نفوذ، استفاده کرده است. نتایج آزمایش نشان می دهد که روش جدید می تواند کارایی بهتری بر اساس معیارهای مختلف ارزیابی، ارائه کند. این مقاله مجموعه داده های مختلف را برای ارزیابی مدل IDS فهرست می کند و کارایی روش ترکیبی پیشنهادی بر مجموعه داده های IDS را موردبحث قرار می دهد که می تواند برای استفاده از مجموعه داده ها برای توسعه IDS مبتنی بر ML و DM کارآمد و موثر بوده و مورداستفاده قرار گیرد.

کلیدواژه ها:

سیستم تشخیص نفوذ ، شبکه عصبی-فازی ، ماشین های بردار پشتیبان ، دسته بندی کننده