تشخیص ناهنجاری براساس ترکیب الگوریتم های تحلیل مولفه های اساسی ونگاشت خودسازمان ده در شبکه های تشخیص نفوذ

نفوذ به شبکه و دسترسی های غیر مجاز به اطلاعات باعث تغییر محتوی اطلاعات و جلوگیری از ارسال آنها می شود. با بررسی روش های مختلفدراین زمینه ومقایسه روش ها، روش مبتنی برشبکه پرسپترون با انتخاب ویژگی وگسسته سازی، موجب ایجاد فضای زیادی در عملکرد دسته بندیکننده شده است. از طرفی درمدل درخت تصمیم با بکارگیری انتخاب ویژگی های کم وگسسته کردن مقادیر آنها، نرخ تشخیص سیستم کاهشیافته و باعث افزایش خطای دسته بندی می شود. و مدل مخفی مارکوف نیز با انتخاب ویژگی ها و گسسته سازی آنها موجب ایجاد خطای زیادی درعملکرد دسته بندی کننده می شود. روش نگاشت خودسازمانده نیز توانایی نمایش همبستگی میان داده ها و اطلاعات واثرات متقابل وهمزمان آنهابر یکدیگر رادارد و برای کاهش نرخ خطای مثبت و بالا بردن نرخ تشخیص درست استفاده شده است. در این مقاله برای دسته بندی الگوهایتشخیص نفوذ از ترکیب روش های آماری و شبکه عصبی نگاشت خود سازمانده برای تشخیص ناهنجاری استفاده شده است. در روش پیشنهادی ،برای انتخاب ویژگی و حذف داده های پرت از الگوریتم تحلیل مولفه های اساسی و همبسته سازی داده ها بکار گرفته شده است. همبسته سازی وفیلتر کردن داده ها باعث کاهش بار محاسباتی و سرعت یادگیری شبکه عصبی می شود . برای کاهش نرخ خطای مثبت از تولید خودکار الگوهایگوسی و بیشینه محلی امید ریاضی استفاده شده است. نتایج حاصل از شبیه سازی در نرم افزار متلب نشان می دهد که در روش پیشنهادی با انتخاب ۳ ویژگی مقادیر پارامترهای صحت درستی ، تشخیص درستی و نرخ خطای مثبت به ترتیب ۹۰%، ۹۰%،۹۱.۳% می باشد. با مقایسه روش پیشنهادی با مدل های مخفی مارکوف ،درخت تصمیم وشبکه عصبی پرسپترون و نگاشت خود سازمانده و....نشان دهنده بهبود کارایی روشپیشنهادی می باشد