ارائه یک سیستم تشخیص نفوذ مبتنی بر مدل مخفی مارکوف با استفاده از طبقه بندی کننده چندگانه و کاهش ابعاد ویژگی

در طی چند سال اخیر روش های ابتکاری مختلفی برای امنیت شبکه ها از طریق سیستم های تشخیص حمله ارائه شده است که هر کدام از آنها به شیوه ای امنیت شبکه را فراهم می سازد. از آنجاییکه برنامه های تحت وب رو افزایش است و داده های کاربران در دسترس می باشد، نیاز به یک سیستم تشخیص نفوذ به منظور تفکیک داده های خوب و بد، بیش از پیش ضروری به نظر می رسد. به طور کلی سیستم های تشخیص نفوذ به دو دسته سیستم های مبتنی بر امضا و سیستم های مبتنی بر ناهنجاری تقسیم می شوند. حمله های صفر روزه یکی از خطرناک ترین تهدید هایی هستند که کامپیوترهای شبکه را تهدید می کنند و همچنین در معنای لغوی به حمله هایی گفته می-شود که تا به حال توسط سیستم شناخته نشده اند، بنابراین ابزارهای دفاعی که مبتنی بر یک سری قوانین می باشند درمقابل حملات صفرروزه ناتوان هستند. اخیر ابزارهای دفاعی مبتنی ناهنجاری با الگوریتم های یادگیری ماشین برای شناسایی این حملات استفاده می-شوند. با توجه به اینکه این روش ها حمله های صفر روزه را تا حد قابل قبولی خنثی کرده اند، از محبوبیت خوبی برخوردار شده اند. در این پژوهش روشی براساس ساختار سیستم های تشخیص نفوذ مبتنی بر بی نظمی پیاده سازی شده است و از گروه مدل مخفی مارکوف و طبقه بندی کننده چندگانه برای حل مسئله تشخیص بی نظمی استفاده می کند. آزمایشات نشان می دهد که روش پیشنهادی نسبت به روش های گذشته توانسته است معیارهای دقت، فراخوانی و F۱-measure را با نرخ بهتری کسب کند.