سیستم تشخیص نفوذ (IDS)با استفاده از یادگیری عمیق درپایتون

اهمیت سیستمها و شبکه های کامپیوتری در جهت برقراری ارتباطات و تبادل اطلاعات بر کسی پوشیده نیست ولی استفاده از این نوع شبکه ها خطرات و آسیب هایی را نیز به همراه دارد ،که از دست رفتن یا مخدوش شدن اطلاعات محرمانه میتواند یکی از مهم ترین خطرات موجود در شبکه های کامپیوتری باشد .در این میان سیستم های تشخیص نفوذ ابزاری مفید برای نظارت بر فعالیت ها و فرآیندهای شبکه و اعلام تهدیدهای احتمالی بوده و معرفی یک دسته بندی جامع و کامل در زمینه سیستم های تشخیص نفوذ ،به منظور آگاهی از این گستره وسیع، امری حیاتی برای یک شبکه و مدیریت امنیت آن محسوب میگردد. سیستم های تشخیص نفوذ یکی از مهمترین ابزارها برای امنیت شبکه های کامپیوتری هستند. این سیستم ها قادر به شناسایی سوء استفاده ها و خرابکاری های در حال وقوع در شبکه می باشند. دو رویکرد تشخیص سوء استفاده و تشخیص ناهنجاری وجود دارد، و روش های تشخیص ناهنجاری مزایایی نسبت به روش های تشخیص سوء استفاده دارند. یادگیری عمیق به عنوان یک پسرفت از یادگیری ماشینی، با استفاده از لایه های متعدد از نورون ها، مفاهیم انتزاعی سطح بالا را مدل می کند. این نوع یادگیری با الهام از ساختار مغز انسان، در حوزه های مختلف موفقیت های چشمگیری کسب کرده است. یک تحقیق گسترده بر روی یک سیستم تشخیص نفوذ مبتنی بر یادگیری عمیق انجام شده و کارآیی آن با دو مجموعه داده Bot-IoT و CSE-CIC-IDS مورد بررسی قرار گرفته است.سیستم های تشخیص نفوذ (IDS) نقش اساسی در امنیت شبکه های کامپیوتری دارند. با گسترش شبکه ها و ارتباطات، نیاز به امنیت بیشتر احساس می شود. یک سیستم تشخیص نفوذ مبتنی بر شبکه کامپیوتری بااستفاده از الگوریتم دسته بند ماشین بردار پشتیبان (SVM) و خودرمزگذار نامتقارن (NAE) به نام مدل NDAES معرفی شده است. این مدل بر روی دو دیتاست kddcup’۹۹ و NSL-KDD آزمایش شده و نشان داده است که قادر به شناسایی حملات بالقوه در شبکه با دقت بالا است.

کلیدواژه ها:

امنیت شبکه های کامپیوتری ، سیستم تشخیص نفوذ ، خودرمزگذار ، شبکه عصبی ، یادگیری عمیق