تشخیص نفوذ شبکه های کامپیوتری با استفاده از ترکیب الگوریتم تحلیل مولفه اصلی و جنگل تصادفی

با گسترش فضای دیجیتال و افزایش وابستگی جوامع به شبکه های کامپیوتری، امنیت اطلاعات به یکی از چالش های حیاتی عصر حاضر تبدیل شده است. رشد فزاینده ی تهدیدات سایبری پیچیده و چندلایه باعث شده تا روش های سنتی امنیتی کارایی خود را تا حد زیادی از دست بدهند. در چنین شرایطی، استفاده از سامانه های تشخیص نفوذ (IDS) به عنوان لایه ای مکمل در برابر حملات نوین از اهمیت ویژه ای برخوردار است؛ زیرا مهاجمان امروزی با بهره گیری از بدافزارهای چندریختی و حملات روز صفر قادرند از سد بسیاری از تجهیزات امنیتی عبور کنند.در این پژوهش، مدلی ترکیبی مبتنی بر تحلیل مولفه های اصلی (PCA) و جنگل تصادفی (RF) ارائه شده است که هدف آن افزایش سرعت پردازش، کاهش پیچیدگی محاسباتی و بهبود دقت شناسایی نفوذ می باشد. آزمایش ها بر روی دو مجموعه داده CICIDS۲۰۱۸ و NSL-KDD انجام گرفته و نتایج نشان می دهد مدل پیشنهادی توانسته به دقت میانگین ۹۹.۷۷٪ و ۹۹.۹۳٪ در تشخیص ترافیک مخرب دست یابد. یافته ها بیانگر آن است که به کارگیری الگوریتم های یادگیری ماشین پیشرفته می تواند نقشی کلیدی در تقویت سامانه های دفاع سایبری به ویژه در حوزه های حیاتی نظیر حفاظت از داده های دولتی و زیرساخت های حساس ایفا کند.

کلیدواژه ها:

تشخیص نفوذ ، شبکه های کامپیوتری ، جنگل تصادفی ، تحلیل مولفه اصلی