شناسایی نفوذ در شبکه با بهره گیری از رویکرد چند مدلی بر پایه مجموعه داده UNSW-NB۱۵

چکیده. نویسنده مسئول حمیدرضا خلف باغی افزایش حجم و پیچیدگی حملات سایبری باعث شده است سامانه های سنتی تشخیص نفوذ مبتنی بر امضا توان پاسخگویی موثر به تهدیدهای نوظهور را از دست بدهند. این پژوهش یک ارزیابی جامع از مدل های مختلف یادگیری ماشین و یادگیری عمیق برای تشخیص نفوذ شبکه بر روی مجموعه داده UNSW-NB۱۵ ارائه می کند. نتایج ارزیابی در دسته بندی دودویی نشان دادند که مدل های CNN یک بعدی ساده و XGBoost بهترین عملکرد را ارائه می دهند به ویژه XGBoost که کارایی متعادلی را با بالاترین دقت متوازن به دست آورد. شایان ذکر است که SVM با هسته RBF، بازخوانی بسیار بالایی را حفظ کرد که برای سناریوهایی که از دست دادن حتی یک حمله هزینه بر است حیاتی است. در دسته بندی چند کلاسه CNN دوبعدی نسخه (ساده) عملکرد بهتری را نسبت به سایر مدل ها داشت و در رتبه اول قرار گرفت. تحلیل اهمیت ویژگی ها نقش تعیین کننده پارامترهای TTL را تایید کرد و مقایسه با پژوهش های سال های اخیر نشان داد که عملکرد، حاصل بدون تکیه بر تعادل سازی مصنوعی رقابتی و پایدار است.

کلیدواژه ها:

امنیت سایبری ، تشخیص نفوذ شبکه ، عدم تعادل ، کلاس ، یادگیری عمیق