بهبود دقت تشخیص نفوذ با استفاده از روش ترکیبی PCA-GWO و شبکه عصبی عمیق

شبکه های کامپیوتری نقش حیاتی در ارتباطات و تبادل داده ها دارند. با گسترش این شبکه ها، شرایط برای حملات سایبری و نفوذ بیشتر فراهم شده است. در دنیای واقعی، تغییرات مداوم در الگوهای ترافیک و ظهور تهدیدات جدید، نیاز به آموزش سریع و به روز مدل های تشخیص نفوذ را اجتناب ناپذیر می کند. نفوذ شامل فعالیت های غیرقانونی است که سلامت اطلاعات، محرمانگی و دسترسی به منابع سازمان را به خطر می اندازد. سیستم های تشخیص نفوذ (IDS) به عنوان یکی از عوامل اصلی و مهم در امنیت شبکه، حملاتی را که توسط فایروال های سنتی شناسایی نمی شوند، رصد می کنند. با این حال، حملات مختلف رفتارهای خاص خود را دارند و بهبود تشخیص نوع حمله همچنان یکی از چالش های مدل های تشخیص نفوذ است. در این پژوهش، یک روش عمیق مبتنی بر کاهش ابعاد و انتخاب برترین ویژگی ها پیشنهاد شده است. ابتدا کاهش ابعاد توسط الگوریتم تحلیل مولفه اصلی (PCA) انجام می شود، سپس ویژگی های برتر توسط الگوریتم گرگ خاکستری(GWO) انتخاب شده و در نهایت ویژگی های کلیدی در تشخیص حمله بودن یا نبودن استخراج شده، و به شبکه عمیق LSTM اعمال شده است. فرایند یادگیری بر روی داده های NSL_KDD پیاده سازی شده است. یکی از جنبه های کلیدی این تحقیق، در ترکیب PCA و GWO تجمیع قابلیت های هر کدام از این دو الگوریتم به منظور استخراج بهترین ویژگی ها و کاهش ابعاد در مجموعه داده ها است. نتایج نشان می دهد که برای تشخیص حملات، اعمال تمام ویژگی ها به مدل یادگیر الزامی نیست و با کاهش حجم بار محاسباتی، ضمن کاهش مدت زمان یادگیری مدل ، دقت نیز در تشخیص حملات بهبود می یابد.

کلیدواژه ها:

تشخیص نفوذ ، یادگیری عمیق ، شبکه LSTM ، تحلیل مولفه اصلی ، الگوریتم گرگ خاکستری