تشخیص نفوذ مبتنی بر الگوریتم بهینه سازی هرم جیزه و شبکه ماشینیادگیری افراطی

یکی از اصلی ترین عوامل معرفی سیستم های تشخیص نفوذ، افزایش بیش از پیش انواع مختلف حملات به شبکه ها و در نتیجه کاهش امنیت است . اهمیت تامین امنیت در شبکه باعث شده محققان بسیاری در راستای ارائه یک سیستم تشخیص نفوذ کارا تلاش کنند؛ اما اکثر آنها با محدودیت هایی مثل ابعاد بالای دادههای جریان ترافیک شبکه مواجه هستند که عدم کنترل آن باعث کاهش موفقیت در تشخیص انواع مختلف حملات می شود . در این مقاله برای کنترل مشکل ابعاد بالای دادهها، یک روش انتخاب ویژگی مبتنی بر الگوریتم فراابتکاری ساخت هرم بزرگ جیزه ارائه شده است ؛ که زیر مجموعه ویژگی ها با استفاده از الگوریتم هرم جیزه انتخاب می شود و برای تشخیص حملات به شبکه عصبی تصادفی ماشین یادگیری افراطی ارائه می شود. نتایج ارزیابی در سه پایگاه NSL-KDD, CICIDS-۲۰۱۷ و UNSW-NB۱۵ نشان می دهد که مدل پیشنهاد شده می تواند به صحت بالای ۹۲% دست یابد. این نتایج نشان می دهد استفاده از الگوریتم ساخت هرم جیزه جهت انتخاب ویژگی و شبکه عصبی یادگیری افراطی می تواند در تشخیص نفوذ موفق عمل نماید.

کلیدواژه ها:

تشخیص نفوذ ، الگوریتم فراابتکاری هرم جیزه ، ماشین یادگیری افراطی ، شبکه عصبی .