بهبود سیستم تشخیص نفوذ با ترکیب هوشمند انتخاب ویژگی و طبقهبندها ی چندگانه

با افزایش روزافزون حملات سایبری و پیچیدگی آنها، توسعه سیستم های تشخیص نفوذ دقیق و کارآمد به یک نیاز اساسی در حوزه امنیت شبکه تبدیل شده است. در این مقاله، یک روش ترکیبی نوآورانه برای تشخیص نفوذ ارائه شده است که با ادغام تکنیک های انتخاب ویژگی و ترکیب طبقه بندهای مختلف، سعی در افزایش دقت و کاهش پیچیدگی مدل دارد. در مرحله انتخاب ویژگی، با استفاده از چهار روش آماری شامل RRelief، mRMR، مربع کای و بهره اطلاعاتی، ویژگی های موثر استخراج و با میانگین گیری وزن ها، ویژگی های نهایی انتخاب شدند. سپس، با بهره گیری از ۲۱ طبقه بند متنوع شامل الگوریتم های کلاسیک و پیشرفته یادگیری ماشین، و استفاده از رای گیری اکثریتی میان آنها، یک مدل طبقه بندی قدرتمند طراحی شد. عملکرد روش پیشنهادی بر روی سه مجموعه داده استاندارد KDD CUP ۹۹، CICIDS و UNSW-NB ارزیابی شده و نتایج نشان دهنده برتری این روش نسبت به روش های پیشرفته موجود در معیارهای ارزیابی مختلف مانند دقت، صحت، حساسیت و امتیاز F بوده است. این نتایج نشان می دهد که ترکیب موثر انتخاب ویژگی و یادگیری جمعی می تواند منجر به بهبود چشمگیر در عملکرد سیستم های تشخیص نفوذ شود.

کلیدواژه ها:

انتخاب ویژگی ، تشخیص نفوذ ، طبقه بندی ترکیبی ، یادگیری ماشین