تشخیص نفوذ در شبکه های نرم افزار محور با استفاده از یادگیری عمیق و انتخاب ویژگی مبتنی بر الگوریتم یادگیری کلاغ

سامانه های تشخیص نفوذ (IDS) با تحلیل الگوهای ترافیک، شبکه فعالیتهای مخرب را شناسایی می کنند. در حالی که طی دهه گذشته یادگیری ماشین و یادگیری عمیق به طور گسترده در طراحی IDS به کار رفته اند، بسیاری از چارچوبهای مبتنی بر اینترنت اشیا همچنان به صورت متمرکز طراحی شده و فاقد مکانیزم موثر انتخاب ویژگی هستند. در این مقاله یک چارچوب IDS توزیع شده پیشنهاد می شود که در آن سوئیچهای شبکه نرم افزار محور (SDN) فرآیند تشخیص حمله را در دو مرحله متوالی انجام می دهند. در گام نخست الگوریتم فراابتکاری یادگیری کلاغ برای کاهش ابعاد ترافیک شبکه به کار گرفته می شود، سپس ویژگی های کلیدی انتخاب شده با استفاده از شبکه حافظه طولانی مدت (LSTM) دسته بندی می شوند. ارزیابی روش پیشنهادی بر روی مجموعه داده NSL-KDD نشان می دهد که این روش با انتخاب به طور میانگین ۱۴.۹۱ ویژگی از ۴۱ ویژگی به صحت ۹۹.۲۹%، حساسیت ۹۹.۴۱%، ویژگی ۹۸.۳۰% و دقت ۹۸.۳۶% دست یافته است که عملکردی بهتر از معماری های LSTM، CNN و ترکیب های یادگیری عمیق مانند LSTM+CNN و Autoencoder+CNN دارد.

کلیدواژه ها:

تشخیص نفوذ ، یادگیری عمیق ، انتخاب ویژگی ، یادگیری کلاغ ، شبکه های نرم افزار محور