ارائه روشی مبتنی بر یادگیری عمیق برای بهبود عملکرد سیستم تشخیص نفوذ

رشد شبکه های کامپیوتری و افزایش تهدیدات امنیتی در سال های اخیر، منجر به افزایش اهمیت امنیت اطلاعات و ابزارهای بررسی و کنترل ترافیک شده است. چگونگی شناسایی حملات گوناگون یک امر مهم به حساب می آید که هدف آن تشخیص فعالیت های مخرب در ترافیک شبکه می باشد. از این رو، سیستم های تشخیص نفوذ در تضمین امنیت اطلاعات بیش از گذشته مورد توجه قرار گرفته اند. در همین راستا تحقیقات بسیاری با هدف ارائه روشی قدرتمند جهت تشخیص دقیق و سریع نفوذ در شبکه های کامپیوتری انجام شد. روش های یادگیری عمیق به طور گسترده ای در شناسایی انواع نفوذ مورد استفاده قرار گرفتند و عملکرد مناسبی هم در این زمینه از خود نشان دادند. در این پایان نامه یک مدل تشخیص نفوذ بر اساس شبکه های عصبی بازگشتی (RNN) و حافظه طوالنی کوتاه مدت (LSTM)، پیشنهاد شده است. با توجه به اینکه که شبکه RNN در سال های اخیر عملکرد خوبی در یادگیری توالی و دنباله ها به خصوص در معماری LSTM از خود نشان داده است، در این پایان نامه نیز از یک مدل تشخیص نفوذ مبتنی بر RNN و LSTM استفاده شد که شامل مراحل پیش پردازش داده، استخراج ویژگی، آموزش و تشخیص نوع نفوذ می باشد. چارچوب تشخیص نفوذ، طبقه بندی کننده هایی را بر مبنای شبکه عصبی بازگشتی و حافظه طوالنی کوتاه مدت ارائه می دهد که در مقایسه با روش های دیگر از عملکرد بهتر و دقت تشخیص بالاتری برخوردار هستند. این مدل با استفاده از مجموعه داده NSL-KDD آموزش داده شد و سپس عملکرد آن در مجموعه تست مورد ارزیابی قرار گرفت. تحلیل و ارزیابی نتایج نشان داد که مدل پیشنهادی در مقایسه با سایر روش های یادگیری ماشین، به DR بالاتر (۹۸.۸۵%) و FAR پایین تر (۸.۷۵%) دستیافته و با افزایش نرخ یادگیری نیز به صحت بالاتری خواهد رسید.

کلیدواژه ها:

شبکه های عصبی بازگشتی ، سیستم تشخیص نفوذ ، حافظه طوالنی کوتاه مدت ، یادگیری عمیق ، یادگیری ماشین