طراحی یک چارچوب ترکیبی مبتنی بر الگوریتم ژنتیک و جنگل تصادفی با هدف کاهش ابعاد داده ها و افزایش دقت تشخیص نفوذ

با افزایش پیچیدگی و تنوع حملات سایبری، سامانه های تشخیص نفوذ سنتی برپایه قوانین ثابت در شناسایی حملات پیچیده و مدیریت داده های حجیم با چالش های جدی مواجه شده اند. در این پژوهش، یک رویکرد ترکیبی برای سامانه تشخیص نفوذ ارائه شد که در آن از الگوریتم ژنتیک به منظور انتخاب بهینه ویژگی ها و از مدل جنگل تصادفی برای طبقه بندی ترافیک شبکه استفاده گردید. الگوریتم ژنتیک با کاهش ابعاد داده ها و حذف ویژگی های غیرموثر، ورودی بهینه ای را برای مدل طبقه بندی فراهم کرده و در نتیجه کاهش پیچیدگی محاسباتی سامانه را به همراه دارد. روش پیشنهادی بر روی مجموعه داده معتبر CICIDS۲۰۱۷ ارزیابی شد. نتایج تجربی نشان داد که با کاهش تعداد ویژگی ها از ۷۸ به ۲۰، دقت تشخیص از ۹۳% به ۹۶% افزایش یافت و نرخ هشدار کاذب نیز به حدود ۱% کاهش پیدا نمود. براساس نتایج به دست آمده، دقت کلی سامانه تا حدود ۹۸/۲% افزایش یافت. همچنین، مقایسه نتایج با پژوهش های پیشین بیانگر بهبود عملکرد روش پیشنهادی در شناسایی حملات مدرن شبکه بود. یافته های این پژوهش نشان داد که ترکیب الگوریتم های تکاملی با مدل های یادگیری ماشین می تواند راهکاری موثر و مقیاس پذیر را برای توسعه سامانه های تشخیص نفوذ دقیق و کارآمد فراهم کند.

کلیدواژه ها:

سامانه تشخیص نفوذ ، الگوریتم ژنتیک ، انتخاب ویژگی ، جنگل تصادفی ، امنیت شبکه