تشخیص ناهنجاری در شبکه با استفاده از الگوریتم های یادگیری ماشین

تشخیص ناهنجاری در شبکه یکی از مهم ترین مسائل امنیت سایبری در زیرساخت های ارتباطی و سازمانی محسوب می شود. با توجه به افزایش حجم ترافیک، پیچیدگی حملات و محدودیت سامانه های مبتنی بر امضا، استفاده از الگوریتم های یادگیری ماشین برای شناسایی الگوهای غیرعادی به یک رویکرد موثر تبدیل شده است. هدف این مقاله، بررسی و ارائه یک چارچوب علمی برای تشخیص ناهنجاری در شبکه با تکیه بر الگوریتم های جنگل تصادفی ، درخت تصمیم ، ماشین بردار پشتیبان و شبکه عصبی است. در این پژوهش، ابتدا داده های شبکه با استفاده از یکی از مجموعه داده های مرجع مانند NSL-KDD پیش پردازش شده، سپس ویژگی های موثر استخراج و مدل های یادگیری ماشین آموزش داده می شوند. ارزیابی عملکرد نیز بر شاخص های Accuracy، Precision، Recall و F۱-Score انجام می گیرد. نتایج تحلیلی نشان می دهد که روش های مبتنی بر تجمیع مدل ها، به ویژه جنگل تصادفی، در مقایسه با سایر الگوریتم ها عملکرد پایدارتری در شناسایی ناهنجاری ها دارند، در حالی که شبکه های عصبی در تشخیص الگوهای غیرخطی پیچیده توانمند هستند اما به داده و تنظیمات بیشتری نیاز دارند. به طور کلی، این پژوهش نشان می دهد که ترکیب پیش پردازش دقیق، انتخاب ویژگی مناسب و الگوریتم های یادگیری ماشین می تواند دقت و قابلیت اعتماد سامانه های تشخیص ناهنجاری شبکه را به طور چشمگیری افزایش دهد.

کلیدواژه ها:

تشخیص ناهنجاری ، امنیت شبکه ، یادگیری ماشین ، NSL-KDD ، یادگیری عمیق