بهبود تشخیص نفوذ باروش بهینه انتخاب ویژگی و الگوریتم یادگیری جمعی
- سال انتشار: 1403
- محل انتشار: دومین کنفرانس بین المللی هوش مصنوعی و فناوری های آینده نگر
- کد COI اختصاصی: ICAIFT02_032
- زبان مقاله: فارسی
- تعداد مشاهده: 102
نویسندگان
دانشجوی کارشناسی ارشد مهندسی مخابرات سیستم، دانشگاه علوم و تحقیقات تهران
دکترای تخصصی و عضو هیئت علمی، دانشگاه علوم و تحقیقات تهران
چکیده
این پژوهش به بهبود سیستمهای تشخیص نفوذ (IDS) با بهرهگیری از روش ابتکاری انتخاب ویژگی همفکری و یادگیری جمعی میپردازد. رشد روزافزون حملات سایبری، ضرورت طراحی سیستمهایی با دقت باال، هشدارهای اشتباه کم و سرعت پردازش مطلوب را ایجاب کرده است. روش پیشنهادی ترکیبی از پیش پردازش، انتخاب ویژگیهای بهینه و الگوریتم یادگیری جمعی است که با استفاده از مجموعه داده NSL-KDD پیاده سازی شده است. در گام نخست، دادهها با استفاده از روش همفکری پردازش شدند که بر سه معیار نزدیکی، بهره اطلاعاتی و قانون برابری استوار است. این روش، هشت ویژگی کلیدی شامل Service، Flag، Src_bytes، Dst_bytes، Srv_serror_rate، Same_srv_rate، Diff_srv_rate و Dst_host_serror_rate را برای کاهش پیچیدگی و بهبود دقت انتخاب کرد. این ویژگیها به دلیل اهمیت باالی آن ها در شناسایی حملات و کاهش حجم محاسباتی الگوریتمها انتخاب شده اند. در ادامه، الگوریتم یادگیری جمعی شامل سه الگوریتم J۴۸، شبکه بیزین و درخت تصادفی بهکار گرفته شد و با استفاده از مکانیزم رایگیری ترکیبی، خروجی نهایی حاصل شد. نتایج این مطالعه نشان داد که روش پیشنهادی به دقت ۹۹.۸۱۵۴ درصدی دست یافت و زمان آموزش و تست به ترتیب به ۴.۴۷ ثانیه و ۰.۱۷ ثانیه کاهش یافت. مقایسه با پژوهشهای پیشین، برتری این روش را تایید میکند. بهعنوان مثال، مطالعه ای با استفاده از الگوریتم جنگل تصادفی و روش آنالیز مولفه اساسی، دقت ۹۹.۷۸ درصدی را گزارش کرده است که ضعیفتر از روش حاضر است. همچنین، پژوهشی دیگر که از ترکیب الگوریتمهای بهینهسازی GWO و MFO استفاده کرده، به دقت۹۷.۴ درصدی دست یافته است که نسبت به روش همفکری و یادگیری جمعی، عملکرد پایینتری دارد. این پژوهش نشان میدهد که ترکیب روش همفکری با یادگیری جمعی، عملکرد مطلوبی برای بهبود سیستمهای IDS است و در کاهش هشدارهای اشتباه و افزایش سرعت و دقت عملکرد موثر است. پیشنهاد میشود این روش در حوزههای دیگر و با الگوریتمهای سبکتر نیز بررسی شود تا کارایی آن در محیطهای مختلف ارزیابی گردد.کلیدواژه ها
تشخیص نفوذ, یادگیری جمعی, روش همفکری, انتخاب ویژگی, NSL-KDDمقالات مرتبط جدید
- آینده نظام آموزشی در عصر هوش مصنوعی
- کاربرد الگوریتمهای فراابتکاری ترکیبی در پیشبینی بار شبکه های هوشمند
- واکاوی ظرفیت سنجی مسئولیت حقوقی هوش مصنوعی در پرتو قوانین داخلی و بین المللی
- Design and Optimization of Catalysts with Multi-Objective Optimization Algorithms Based on Artificial Intelligence
- Enhancing Synchronizability in Identical Chaotic Complex Networks: Application of Genetic Algorithms for Edge Rewiring
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.