تشخیص نفوذ در محیط های ابری با استفاده از شبکه های یادگیری عمیق بهبودیافته

با گسترش عصر اطلاعات، اینترنت به تدریج در حال تغییر روش زندگی، تحصیل و کار مردم است. تضمین امنیت سرویس ها و کاربردهای اینترنت اشیاء ، فاکتور بسیار مهمی در ایجاد اعتماد درکاربران و بکارگیری این بستر می باشد. در واقع با افزایش تعداد تجهیزات متصل به اینترنت در کاربردهای مبتنی بر اینترنت اشیاء، احتمال آسیب پذیری های امنیتی نیز بیشتر می شوند. در کنار نقاط ضعف امنیتی که وجود دارد، تعداد زیاد تجهیزات IoTو ماهیت آنها می-تواند احتمال حمله را افزایش دهد. سیستم های تشخیص نفوذ در حال حاضر جزء اصلی ترین و کاملترین قسمت های یک سیستم پایش یا مانیتورینگ شبکه می باشند. انگیزه اصلی تشخیص نفوذ بهبود دقت طبقه بندی کننده در شناسایی موثر رفتار نفوذگر است. روش های یادگیری ماشین به طور گسترده ای برای شناسایی انواع مختلف حملات مورد استفاده قرارگرفته است، و آنها می توانند به مدیران شبکه کمک کنند اقدامات مناسب را برای جلوگیری از نفوذ انجام دهند. با این حال، روشهای سنتی یادگیری ماشین عموما یادگیری سطحی(کم عمق) هستند که غالبا بر مهندسی ویژگی و انتخاب تاکید دارند و آنها نمی توانند به طور موثری مشکل طبقه بندی نفوذ داده های بزرگ را در محیط واقعی شبکه حل کنند. روشهای یادگیری عمیق پتانسیل استخراج بهتر از داده های حجیم را دارد و نتایج بسیار بهتری بدست می آورد. در این پژوهش با استفاده از روش یادگیری عمیق، ما یک سیستم تشخیص نفوذ ارائه داده ایم. در شبکه عصبی پیچشی جهت استخراج ویژگی از لایه های Separable بهره گرفته شده است. مهم ترین مزیت لایه های Separable کاهش محاسبات می باشد. با کاهش محاسبات تعداد پارامترهای قابل تنظیم نیز کاهش می یابد از همین رو شبکه بهتر می تواند عملیات یافتن الگو را انجام دهد. همچنین از ترکیب طبقه-بندها بجای لایه ی تماما متصل در شبکه عصبی پیچشی بهره گرفته شده است. از مجموعه داده ی استاندارد Kdd بهره گرفته شده است. جهت ارزیابی روش پیشنهادی از معیارهای دقت، صحت، فراخوان و معیار F بهره گرفته شده است که نتایج نشان داد روش پیشنهادی به ترتیب به دقت، صحت، فراخوان و معیار F به میزان ۹۸، ۹۸ ،۹۸، ۹۸ درصد دست یافته است.

کلیدواژه ها:

شبکه های کامپیوتری ، تشخیص نفوذ ، شبکه های یادگیری عمیق ، شبکه های عصبی پیچشی لایه های Separable