ارائه یک مدل هیبرید هوشمند برای تشخیص نفوذ (IDS) مبتنی بر پاکسازی داده (LOF) و انتخاب ویژگی (Relief) بر روی مجموعه داده CSE-CIC-IDS۲۰۱۸

با پیچیدگی روزافزون حملات سایبری در سال های ۱۴۰۳ و ۱۴۰۴ سیستم های تشخیص نفوذ سنتی به دلیل نرخ بالای هشدارهای کاذب کارایی خود را از دست داده اند. این پژوهش مدلی نوین ارائه می دهد که در مرحله پیش پردازش با استفاده از الگوریتم Local Outlier Factor (LOF) داده های پرت را حذف کرده و با روش Relief ویژگی های تاثیرگذار را انتخاب می کند و سپس عملکرد چندین دسته بند شامل درخت تصمیم گرادیان تقویتی (GTB)، شبکه عصبی MLP و CNN بر روی مجموعه داده CSE-CIC-IDS۲۰۱۸ ارزیابی شده است. نتایج نشان می دهند که ترکیب LOF و Relief منجر به بهبود قابل توجه دقت مدل ها می شود و بهترین عملکرد مربوط به مدل GTB با دقت ۹۸.۳۴ درصد بوده است. یافته ها بیانگر آن هستند که استفاده همزمان از پاکسازی داده و انتخاب ویژگی می تواند بهبود چشمگیری در کارایی IDS ایجاد کند.

کلیدواژه ها:

تشخیص نفوذ ، حملات سایبری ، یادگیری ماشین ، امنیت شبکه