کاهش نرخ هشدارهای نادرست در تشخیص بات نت ها با ترکیب الگوریتم های k- نزدیکترین همسایگی و گرادیان کاهش تصادفی

با گسترش روزافزون شبکه ­های متصل به اینترنت، حملات مهاجمان به این شبکه­ ها نیز رشد کرده است. بنابراین، محققان زیادی برای مقابله با بات ­نت­ ها که از راه دور منجر به آلودگی سیستم ­ها می­ شوند راهکارهایی را ارائه کرده ­اند. یکی از معضلات اصلی روش­ های موجود، نرخ بالای هشدارهای نادرست تولید شده توسط سیستم­ های تشخیص حمله از جمله نرخ مثبت کاذب و منفی کاذب است. در این مقاله برای کاهش نرخ هشدارهای نادرست از ترکیب دو الگوریتم یادگیری ماشین استفاده می ­شود. در مرحله اول راهکار پیشنهادی، مجموعه داده وارد یک مرحله پیش­ پردازش می­ شود تا داده­ های پرت و نویز شناسایی شده و کنار گذاشته شوند. پس از آن با استفاده از الگوریتم k- نزدیکترین همسایگی، ویژگی ­های غیر مفید که در تعیین کلاس داده­ ها اثری ندارند از مجموعه داده کنار گذاشته می ­شوند. در مرحله بعدی، برای تشخیص دقیق کلاس داده ­ها و دسته ­بندی آنها به داده عادی یا حمله بات­ نت، از الگوریتم گرادیان کاهش تصادفی استفاده می ­گردد. در پایان، با انجام آزمایش ­های مختلف بر روی مجموعه داده­ های CTU-۱۳ و BoT-IoT در هر دو حالت دودویی و چند کلاسه، مقادیر معیارهای مهم ارزیابی کارآیی سیستم تشخیص حملات بات­ نت به­ دست می­ آیند. نتایج نشان می ­دهد که در مجموعه داده CTU-۱۳، در حالت دودویی و چند کلاسه به­ترتیب نرخ منفی کاذب ۰.۰۱ و ۰.۰۴ و نرخ مثبت کاذب ۰.۰۱ و ۰.۰۵ و برای مجموعه داده BoT-IoT، در حالت دودویی و چند کلاسه به ­ترتیب نرخ منفی کاذب ۰.۰۲ و ۰.۰۵ و نرخ مثبت کاذب ۰.۰۳ و ۰.۰۵  به­ دست می­ آید که در مقایسه با سایر روش­ های موجود از برتری برخوردار است و نشان می ­دهد که روش پیشنهادی منجر به کاهش نرخ هشدارهای نادرست و در نتیجه بهبود کارآیی می ­شود.