یک روش تشخیص نفوذ با استفاده از هم افزایی الگوریتم کرکسهای آفریقایی و شبکه عصبی پرسپترون

یکی از تکنیکهای پرکاربرد در توپولوژی شبکه برای محافظت از یکپارچگی و برقراری امنیت در سیستمهای محافظت شده، سیستم تشخیص نفوذ (IDS) است. اگرچه تاکنون از برخی روشهای یادگیری ماشینی برای افزایش کارایی IDSها استفاده شده است، اما اکثر روشهای ارائه شده با دقت بالایی مواجه نیستند و معمولا دارای مشکل دقت غیر کارا و زمان اجرای بالا هستند همچنین از دیگر چالشهای پژوهشهای اخیر، حساسیت روشها به دادههای پرت و نویزی است بگونه ای که بسیاری از دادههای پرت و نامربوط در مجموعه داده های با ابعاد بالا در فرآیند طبقه بندی IDS اختلال ایجاد می کنند یکی از مشکلات دیگر این است که بسیاری از مدلها برای مجموعه داده های قدیمی ساخته شده اند که آنها را برای حملات جدید کمتر سازگار می کند بنابراین در این مقاله روشی بر مبنای ترکیب ماشین بردار پشتیبان و شبکه عصبی پرسپترون به شیوه تقویتی با تکیه بر روال انتخاب ویژگی ارائه می شود روش انتخاب ویژگی مورد استفاده از الگوریتم کرکسهای آفریقایی مبتنی بر معیار اطلاعات متقابل نرمالیزه برای انتخاب شاخصهای صرفا مهم در پایگاه داده تشیخص نفوذ بهره می برد. یافته های حاصل از پیاده سازی با استفاده از مجموعه داده های NSL-KDD و KDD-CUP۹۹ نشان از عملکرد بهتر طبقه بند گروهی پیشنهادی نسبت به سایر رویکردهای مرتبط دارد.

کلیدواژه ها:

تشخیص نفوذ ، شبکه عصبی ، ماشین بردار پشتیبان ، انتخاب ویژگی