ارائه یک مدل یادگیری عمیق برای سیستم تشخیص نفوذ با استفاده از لایه هم آمیخت و روش تحلیل مولفه های اصلی

امنیت و پایداری شبکه ها نقش اساسی در دنیای ارتباطات دارد. سیستم تشخیص نفوذ یک عنصر حیاتی در شناسایی و پیشگیری از انواع تهدیدات سایبری است و از عناصر ضروری امنیت محسوب می شود. یکی از مشکلات روش های سنتی تشخیص نفوذ، وابستگی آنها به الگوهای موجود و ناتوانی در شناسایی ناهنجاری ها است. شبکه های عصبی هم آمیخت[۱] می توانند الگوهای جدید و مبهم را شناسایی کرده و تعداد هشدارهای کاذب را به حداقل برسانند. این مقاله یک رویکرد جدید، بر اساس لایه هم آمیخت یک بعدی و لایه حذف تصادفی با روش تحلیل مولفه اصلی، برای حل مشکل و کمک به سیستم تشخیص نفوذ برای دستیابی به نرخ تشخیص بالاتر ارائه می کند. روش پیشنهادی شامل یک شبکه عمیق با شش لایه هم آمیخت است که از تابع فعال سازی MISH بعد از هر لایه هم آمیخت استفاده می کند. تحلیل مولفه های اصلی برای کاهش ابعاد ویژگی های ورودی و استخراج ویژگی های ضروری استفاده شده است. ساختار پیشنهادی با استفاده از مجموعه داده CIC-IDS۲۰۱۷ تجزیه و تحلیل شده است. نتایج آزمایش ها عملکرد بهتری را از نظر زمان تشخیص و صحت، دقت، فراخوانی و کاپاکوهن در روش پیشنهادی نسبت به ساختارها و روش های مشابه نشان می دهد. زمان تشخیص روش پیشنهادی هشت میلی ثانیه بوده است.  Convolutional neural network

کلیدواژه ها:

تشخیص نفوذ ، الگوریتم تحلیل مولفه اصلی ، یادگیری عمیق ، الگوریتم MISH ، لایه هم آمیخت